dummyVars函數:dummyVars creates a full set of dummy variables (i.e. less than full rank parameterization----建立一套完整的虛擬變量
先舉一個簡單的例子：
survey<-data.frame(service=c("very unhappy","unhappy","neutral","happy","very happy")) survey ## service ## 1 very unhappy ## 2 unhappy ## 3 neutral ## 4 happy ## 5 very happy
# 我們可以直接增加一列rank，用數字代表不同情感
survey<-data.frame(service=c("very unhappy","unhappy","neutral","happy","very happy"),rank=c(1,2,3,4,5)) survey ## service rank ## 1 very unhappy 1 ## 2 unhappy 2 ## 3 neutral 3 ## 4 happy 4 ## 5 very happy 5
顯然，對於單個變量進行如上處理並不困難，但是如果面對多個因子型變量都需要進行虛擬變量處理時，將會花費大量的時間。
下面用caret包中的dummyVars函數對因子變量進行啞變量處理。
library(caret) ## Loading required package: lattice ## Loading required package: ggplot2 customers<-data.frame(id=c(10,20,30,40,50),gender=c("male","female","female","male","female"), mood=c("happy","sad","happy","sad","happy"),outcome=c(1,1,0,0,0)) customers ## id gender mood outcome ## 1 10 male happy 1 ## 2 20 female sad 1 ## 3 30 female happy 0 ## 4 40 male sad 0 ## 5 50 female happy 0
# 利用dummyVars函數對customers數據進行啞變量處理
dmy<-dummyVars(~.,data=customers)
# 對自身變量進行預測，並轉換成data.frame格式
trsf<-data.frame(predict(dmy,newdata=customers)) trsf ## id gender.female gender.male mood.happy mood.sad outcome ## 1 10 0 1 1 0 1 ## 2 20 1 0 0 1 1 ## 3 30 1 0 1 0 0 ## 4 40 0 1 0 1 0 ## 5 50 1 0 1 0 0
從結果看，outcome並沒有進行啞變量處理。
我們查看customers的數據類型
str(customers) ## 'data.frame': 5 obs. of 4 variables: ## $ id : num 10 20 30 40 50 ## $ gender : Factor w/ 2 levels "female","male": 2 1 1 2 1 ## $ mood : Factor w/ 2 levels "happy","sad": 1 2 1 2 1 ## $ outcome: num 1 1 0 0 0
可見，outcome的默認類型是numeric，現在這不是我們想要的。接下來將變量outcome轉換成factor類型。
customers$outcome<-as.factor(customers$outcome) str(customers) ## 'data.frame': 5 obs. of 4 variables: ## $ id : num 10 20 30 40 50 ## $ gender : Factor w/ 2 levels "female","male": 2 1 1 2 1 ## $ mood : Factor w/ 2 levels "happy","sad": 1 2 1 2 1 ## $ outcome: Factor w/ 2 levels "0","1": 2 2 1 1 1
customers中的變量outcome類型轉換后，我們再次用dmy對該數據進行預測，並查看最終結果。
trsf<-data.frame(predict(dmy,newdata=customers)) trsf ## id gender.female gender.male mood.happy mood.sad outcome0 outcome1 ## 1 10 0 1 1 0 0 1 ## 2 20 1 0 0 1 0 1 ## 3 30 1 0 1 0 1 0 ## 4 40 0 1 0 1 1 0 ## 5 50 1 0 1 0 1 0
可見，outcome也已經進行了虛擬變量處理。
當然，也可以針對數據中的某一個變量進行虛擬變量（啞變量）處理。如我們需要對customers數據中的變量gender進行啞變量處理，可以執行以下操作：
dmy<-dummyVars(~gender,data=customers) trfs<-data.frame(predict(dmy,newdata=customers)) trfs ## gender.female gender.male ## 1 0 1 ## 2 1 0 ## 3 1 0 ## 4 0 1 ## 5 1 0
對於兩分類的因子變量，我們在進行虛擬變量處理后可能不需要出現代表相同意思的兩列（例如：gender.female和gender.male)。這時候我們可以利用dummyVars函數中的fullRank參數，將此參數設置為TRUE。
dmy<-dummyVars(~.,data=customers,fullRank=T) trfs<-data.frame(predict(dmy,newdata=customers)) trfs ## id gender.male mood.sad outcome.1 ## 1 10 1 0 1 ## 2 20 0 1 1 ## 3 30 0 0 0 ## 4 40 1 1 0 ## 5 50 0 0 0