是否有一种简单的方法可以按列贬低稀疏矩阵,同时将零值视为缺失(使用Matrix包)?
我似乎遇到了两个问题:
找到合适的列意味着
空单元格被认为是零而不是丢失:
M0 <- matrix(rep(1:5,4),nrow = 4)
M0[2,2] <- M0[2,3] <- 0
M <- as(M0, "sparseMatrix")
M
#[1,] 1 5 4 3 2
#[2,] 2 . . 4 3
#[3,] 3 2 1 5 4
#[4,] 4 3 2 1 5
colMeans(M)
#[1] 2.50 2.50 1.75 3.25 3.50
正确的结果应该是:
colMeans_correct <- colSums(M) / c(4,3,3,4,4)
colMeans_correct
#[1] 2.500000 3.333333 2.333333 3.250000 3.500000
减去列平均值
还对丢失的细胞进行减法:
sweep(M, 2, colMeans_correct)
#4 x 5 Matrix of class "dgeMatrix"
# [,1] [,2] [,3] [,4] [,5]
#[1,] -1.5 1.6666667 1.6666667 -0.25 -1.5
#[2,] -0.5 -3.3333333 -2.3333333 0.75 -0.5
#[3,] 0.5 -1.3333333 -1.3333333 1.75 0.5
#[4,] 1.5 -0.3333333 -0.3333333 -2.25 1.5
P.S。希望发布由两个问题组成的问题不是问题。它们连接到同一个任务,似乎反映了同样的问题 - 区分缺失值和实际零值。
答案 0 :(得分:3)
一种选择是将colSums
除以非零逻辑矩阵的colSums
colSums(M)/colSums(M!=0)
#[1] 2.500000 3.333333 2.333333 3.250000 3.500000
或者另一个选择是将{0}替换为NA
,并使用colMeans
参数获取na.rm = TRUE
colMeans(M*NA^!M, na.rm = TRUE)
#[1] 2.500000 3.333333 2.333333 3.250000 3.500000
或者@ user20650评论
colSums(M) / diff(M@p)
#[1] 2.500000 3.333333 2.333333 3.250000 3.500000
其中'p'是?sparseMatrix
在典型用法中,p缺失,i和j是阳性的向量 整数和x是数字向量。这三个向量,必须 具有相同的长度,形成稀疏的三元组表示 矩阵。
如果缺少i或j,则p必须是非递减整数向量 其第一个元素是零。它提供压缩或“指针” 行或列索引的表示,以缺少的为准。该 扩展形式的p,rep(seq_along(dp),dp),其中使用dp&lt; -diff(p) 作为(基于1的)行或列索引。