Question

我正在尝试制作一个自定义的R脚本来帮助我清理数据，然后再对它做一些有趣的事情。我当前数据集中的很多列都有yes / no值，我认为如果我将它们设为二进制1/0值会更容易查看。这个当前集合有10列可以做到这一点，而这样做十次确实有效：

sd$PhoneService<-ifelse(sd$PhoneService=='Yes', 1,0)

它不容易重复。这对于这个特定项目是可行的，但是如果你有一个需要转换100列的数据集，必须有一种方法。我不能只看它所拥有的级别数，因为有其他列有两个级别，没有多少意义上是二进制。所以我需要一种方法让R遍历表，找到只有两个级别的列，检查这两个级别是“是”和“否”，然后将它们转换为1和0。

这就是我的尝试：

#Get source data
sd = read.csv("source/xyz.csv", header = T, stringsAsFactors=T)

#Clean up data
twoLevelClean <- function(b){
  lvlsNames = levels(b)
  ifelse(lvlsNames == "Yes", print(lvlsNames), print("Not yes no"))
}

cleanData <- function(a){
  lvls = nlevels(a)
  ifelse(lvls == 2, sapply(a, twoLevelClean), print("Not 2"))
}

sapply(sd, cleanData)

这只是开始吐出这样的随机输出：

...
[1] "No"  "Yes"
[1] "Not yes no"
[1] "No"  "Yes"
[1] "Not yes no"
[1] "No"  "Yes"
[1] "Not yes no"
[1] "No"  "Yes"
[1] "Not yes no"
...

我认为它的第一列有1000多个唯一值，但有超过2个级别。我也不确定我是否正确地走这条路。我应该先看看关卡吗？我希望twoLevelClean函数只在触发它的列上运行，但我不认为这种情况正在发生。我认为它是从一开始就开始的。

for声明会更好吗？我可以索引列并在某些列上运行某些函数吗？

Answer 1

在原始数据集上使用tidyverse包，您可以运行以下代码：

Original_data_frame <- data.frame(
    c(1:10),
    c(rep("Yes",5),rep("No",5)),
    c(rep("Yes",5),rep("No",5))
)

names(Original_data_frame ) <- c("id","Var1","Var2")

使用mutate_at包的dplyr函数：

Original_data_frame_mod <- Original_data_frame %>% 
    mutate_at(.vars = vars(Var1,Var2), .funs = funs(ifelse(.=="Yes",1,0)))

Answer 2

以下是如何做到的：

yn_to_10 = function(x) {
    if (! is.factor(x)) return(x)
    if (! identical(levels(x), c("no", "yes")) return(x)
    return(ifelse(x == "yes", 1, 0))
}

your_data[] = lapply(your_data, yn_to_10)

但是您应该听取注释 - 因子在内部存储为整数（从1开始，而不是0），因此将两级因子更改为二进制0/1并不会真正发生很大变化。

R自定义功能来清理数据

2 个答案: