Стандартизуйте стовпці даних в R

У мене є набір даних, spamякий містить 58 стовпців і приблизно 3500 рядків даних, пов’язаних зі спам-повідомленнями.

Я планую в майбутньому виконати деяку лінійну регресію на цьому наборі даних, але я хотів би заздалегідь виконати деяку попередню обробку та стандартизувати стовпчики, щоб мати нульову середню та відхилення одиниці.

Мені сказали, що найкращий спосіб зробити це з допомогою R, тому я хотів би запитати, як я можу досягти нормалізації з R ? У мене вже належним чином завантажені дані, і я просто шукаю якісь пакети чи методи для виконання цього завдання.

Я повинен припустити, що ви хотіли сказати, що ви хотіли середнього значення 0 та стандартного відхилення 1. Якщо ваші дані у фреймі даних, а всі стовпці є числовими, ви можете просто зателефонувати на scaleфункцію даних, щоб зробити те, що ви хочете.

dat <- data.frame(x = rnorm(10, 30, .2), y = runif(10, 3, 5))
scaled.dat <- scale(dat)

# check that we get mean of 0 and sd of 1
colMeans(scaled.dat)  # faster version of apply(scaled.dat, 2, mean)
apply(scaled.dat, 2, sd)

Використання вбудованих функцій є класним. Як ця кішка:

Зрозумівши, що питання давнє і одна відповідь прийнята, я надам ще одну відповідь для довідки.

scaleобмежується тим, що вона масштабує всі змінні . Наведене нижче рішення дозволяє масштабувати лише конкретні імена змінних, зберігаючи інші змінні без змін (і імена змінних можна динамічно генерувати):

library(dplyr)

set.seed(1234)
dat <- data.frame(x = rnorm(10, 30, .2), 
                  y = runif(10, 3, 5),
                  z = runif(10, 10, 20))
dat

dat2 <- dat %>% mutate_at(c("y", "z"), ~(scale(.) %>% as.vector))
dat2

що дає мені це:

> dat
          x        y        z
1  29.75859 3.633225 14.56091
2  30.05549 3.605387 12.65187
3  30.21689 3.318092 13.04672
4  29.53086 3.079992 15.07307
5  30.08582 3.437599 11.81096
6  30.10121 4.621197 17.59671
7  29.88505 4.051395 12.01248
8  29.89067 4.829316 12.58810
9  29.88711 4.662690 19.92150
10 29.82199 3.091541 18.07352

і

> dat2 <- dat %>% mutate_at(c("y", "z"), ~(scale(.) %>% as.vector))
> dat2
          x          y           z
1  29.75859 -0.3004815 -0.06016029
2  30.05549 -0.3423437 -0.72529604
3  30.21689 -0.7743696 -0.58772361
4  29.53086 -1.1324181  0.11828039
5  30.08582 -0.5946582 -1.01827752
6  30.10121  1.1852038  0.99754666
7  29.88505  0.3283513 -0.94806607
8  29.89067  1.4981677 -0.74751378
9  29.88711  1.2475998  1.80753470
10 29.82199 -1.1150515  1.16367556

EDIT 1 (2016) : scaleзвернувся до коментаря Джуліана: вихід матриці Nx1, тому в ідеалі ми повинні додати a as.vectorдля перетворення типу матриці назад у векторний тип. Джуліан дякую!

EDIT 2 (2019) : цитування коментаря Duccio A.: Для останнього dplyr (версія 0.8) вам потрібно змінити dplyr :: funcs зі списком, наприкладdat %>% mutate_each_(list(~scale(.) %>% as.vector), vars=c("y","z"))

EDIT 3 (2020) : Завдяки @mj_whales: старе рішення застаріле і тепер нам потрібно користуватися mutate_at.

Це 3 роки. Але я відчуваю, що мені потрібно додати наступне:

Найпоширеніша нормалізація - z-перетворення , де ви віднімаєте середнє значення і ділиться на стандартне відхилення вашої змінної. Результат матиме середнє значення = 0 і sd = 1.

Для цього вам не потрібен жоден пакет.

zVar <- (myVar - mean(myVar)) / sd(myVar)

Це воно.

Пакет "Caret" пропонує методи попередньої обробки даних (наприклад, центрування та масштабування). Ви також можете використовувати наступний код:

library(caret)
# Assuming goal class is column 10
preObj <- preProcess(data[, -10], method=c("center", "scale"))
newData <- predict(preObj, data[, -10])

Детальніше: http://www.inside-r.org/node/86978

Коли я використовував рішення, вказане Dason, замість того, щоб отримати результат кадру даних, я отримав вектор чисел (масштабовані значення мого df).

Якщо у когось виникають ті самі проблеми, ви повинні додати as.data.frame () до коду, як-от так:

df.scaled <- as.data.frame(scale(df))

Я сподіваюся, що це стане в нагоді для ppl, що мають те саме питання!

Ви можете легко нормалізувати дані також, використовуючи функцію data.Normalization in clusterSim. Він передбачає різний метод нормалізації даних.

    data.Normalization (x,type="n0",normalization="column")

Аргументи

x
вектор, матриця або тип набору типів
нормалізації: n0 - без нормалізації

n1 - стандартизація ((середнє значення x) / sd)

n2 - позиційна стандартизація ((x-медіана) / mad)

n3 - унітизація ((середнє значення x) / діапазон)

n3a - позиційна уніталізація ((x-медіана) / діапазон)

n4 - унітизація з нульовим мінімумом ((х-хв) / діапазон)

n5 - нормалізація в діапазоні <-1,1> ((x середнє) / max (abs (x середнє)))

n5a - позиційна нормалізація в діапазоні <-1,1> ((x-медіана) / max (abs (x-медіана)))

n6 - коефіцієнт перетворення (x / sd)

n6a - позиційне перетворення коефіцієнта (x / mad)

n7 - коефіцієнт перетворення (x / діапазон)

n8 - коефіцієнт перетворення (x / max)

n9 - коефіцієнт перетворення (х / середнє)

n9a - позиційне перетворення коефіцієнта (x / середня)

n10 - коефіцієнт перетворення (х / сума)

n11 - коефіцієнт перетворення (x / sqrt (SSQ))

n12 - нормалізація ((середнє значення x) / sqrt (сума ((х середня величина) ^ 2)))

n12a - позиційна нормалізація ((x-медіана) / sqrt (сума ((x-медіана) ^ 2)))

n13 - нормалізація з нулем, що є центральною точкою ((х-середній діапазон) / (діапазон / 2))

нормалізація
"стовпець" - нормалізація змінною, "рядок" - нормалізація за об'єктом

З dplyrv0.7.4 всі змінні можна масштабувати за допомогою mutate_all():

library(dplyr)
#> 
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:stats':
#> 
#>     filter, lag
#> The following objects are masked from 'package:base':
#> 
#>     intersect, setdiff, setequal, union
library(tibble)

set.seed(1234)
dat <- tibble(x = rnorm(10, 30, .2), 
              y = runif(10, 3, 5),
              z = runif(10, 10, 20))

dat %>% mutate_all(scale)
#> # A tibble: 10 x 3
#>         x      y       z
#>     <dbl>  <dbl>   <dbl>
#>  1 -0.827 -0.300 -0.0602
#>  2  0.663 -0.342 -0.725 
#>  3  1.47  -0.774 -0.588 
#>  4 -1.97  -1.13   0.118 
#>  5  0.816 -0.595 -1.02  
#>  6  0.893  1.19   0.998 
#>  7 -0.192  0.328 -0.948 
#>  8 -0.164  1.50  -0.748 
#>  9 -0.182  1.25   1.81  
#> 10 -0.509 -1.12   1.16

Конкретні змінні можна виключити, використовуючи mutate_at():

dat %>% mutate_at(scale, .vars = vars(-x))
#> # A tibble: 10 x 3
#>        x      y       z
#>    <dbl>  <dbl>   <dbl>
#>  1  29.8 -0.300 -0.0602
#>  2  30.1 -0.342 -0.725 
#>  3  30.2 -0.774 -0.588 
#>  4  29.5 -1.13   0.118 
#>  5  30.1 -0.595 -1.02  
#>  6  30.1  1.19   0.998 
#>  7  29.9  0.328 -0.948 
#>  8  29.9  1.50  -0.748 
#>  9  29.9  1.25   1.81  
#> 10  29.8 -1.12   1.16

Створено 2018-04-24 за пакетом reprex (v0.2.0).

Знову-таки, хоча це старе питання, воно дуже актуальне! І я знайшов простий спосіб нормалізації певних стовпців без необхідності будь-яких пакунків:

normFunc <- function(x){(x-mean(x, na.rm = T))/sd(x, na.rm = T)}

Наприклад

x<-rnorm(10,14,2)
y<-rnorm(10,7,3)
z<-rnorm(10,18,5)
df<-data.frame(x,y,z)

df[2:3] <- apply(df[2:3], 2, normFunc)

Ви побачите, що y і z стовпці були нормалізовані. Не потрібно пакетів :-)

Шкала може бути використана як для повного кадру даних, так і для конкретних стовпців. Для конкретних стовпців може бути використаний наступний код:

trainingSet[, 3:7] = scale(trainingSet[, 3:7]) # For column 3 to 7
trainingSet[, 8] = scale(trainingSet[, 8]) # For column 8 

Повний кадр даних

trainingSet <- scale(trainingSet)

У dplyrпакеті є дві функції, які роблять це.

> require(dplyr)

Для вимкнення конкретних стовпців таблиці даних ви можете використовувати функцію mutate_at(). Щоб вимкнути всі стовпці, ви можете використовувати mutate_all.

Нижче наведено короткий приклад використання цих функцій для стандартизації даних.

Змінити конкретні стовпці:

dt = data.table(a = runif(3500), b = runif(3500), c = runif(3500))
dt = data.table(dt %>% mutate_at(vars("a", "c"), scale)) # can also index columns by number, e.g., vars(c(1,3))

> apply(dt, 2, mean)
            a             b             c 
 1.783137e-16  5.064855e-01 -5.245395e-17 

> apply(dt, 2, sd)
        a         b         c 
1.0000000 0.2906622 1.0000000 

Змінити всі стовпці:

dt = data.table(a = runif(3500), b = runif(3500), c = runif(3500))
dt = data.table(dt %>% mutate_all(scale))

> apply(dt, 2, mean)
            a             b             c 
-1.728266e-16  9.291994e-17  1.683551e-16 

> apply(dt, 2, sd)
a b c 
1 1 1 

Перш ніж мені трапилось знайти цю нитку, у мене була така ж проблема. У мене були типи стовпців, що залежать від користувача, тому я написав forцикл, що проходить через них і отримує необхідні колонки scale. Можливо, є кращі способи зробити це, але це вирішило проблему просто чудово:

 for(i in 1:length(colnames(df))) {
        if(class(df[,i]) == "numeric" || class(df[,i]) == "integer") {
            df[,i] <- as.vector(scale(df[,i])) }
        }

as.vectorє необхідною частиною, оскільки виявилось, що scaleце rownames x 1матриця, яка зазвичай не є тим, що ви хочете мати у своєму data.frame.

Скористайтеся пакетом "рекомендація". Завантажте та встановіть пакет. Цей пакет має вбудовану команду "Нормалізувати". Це також дозволяє вибрати один із багатьох методів нормалізації, а саме: "центр" або "Z-оцінка". Дотримуйтесь наступного прикладу:

## create a matrix with ratings
m <- matrix(sample(c(NA,0:5),50, replace=TRUE, prob=c(.5,rep(.5/6,6))),nrow=5, ncol=10, dimnames = list(users=paste('u', 1:5, sep=&rdquo;), items=paste('i', 1:10, sep=&rdquo;)))

## do normalization
r <- as(m, "realRatingMatrix")
#here, 'centre' is the default method
r_n1 <- normalize(r) 
#here "Z-score" is the used method used
r_n2 <- normalize(r, method="Z-score")

r
r_n1
r_n2

## show normalized data
image(r, main="Raw Data")
image(r_n1, main="Centered")
image(r_n2, main="Z-Score Normalization")

Функція нормалізації з пакету BBMisc була для мене правильним інструментом, оскільки вона може мати справу зі значеннями NA.

Ось як його використовувати:

З огляду на наступний набір даних,

    ASR_API     <- c("CV",  "F",    "IER",  "LS-c", "LS-o")
    Human       <- c(NA,    5.8,    12.7,   NA, NA)
    Google      <- c(23.2,  24.2,   16.6,   12.1,   28.8)
    GoogleCloud <- c(23.3,  26.3,   18.3,   12.3,   27.3)
    IBM     <- c(21.8,  47.6,   24.0,   9.8,    25.3)
    Microsoft   <- c(29.1,  28.1,   23.1,   18.8,   35.9)
    Speechmatics    <- c(19.1,  38.4,   21.4,   7.3,    19.4)
    Wit_ai      <- c(35.6,  54.2,   37.4,   19.2,   41.7)
    dt     <- data.table(ASR_API,Human, Google, GoogleCloud, IBM, Microsoft, Speechmatics, Wit_ai)
> dt
   ASR_API Human Google GoogleCloud  IBM Microsoft Speechmatics Wit_ai
1:      CV    NA   23.2        23.3 21.8      29.1         19.1   35.6
2:       F   5.8   24.2        26.3 47.6      28.1         38.4   54.2
3:     IER  12.7   16.6        18.3 24.0      23.1         21.4   37.4
4:    LS-c    NA   12.1        12.3  9.8      18.8          7.3   19.2
5:    LS-o    NA   28.8        27.3 25.3      35.9         19.4   41.7

нормалізовані значення можна отримати так:

> dtn <- normalize(dt, method = "standardize", range = c(0, 1), margin = 1L, on.constant = "quiet")
> dtn
   ASR_API      Human     Google GoogleCloud         IBM  Microsoft Speechmatics      Wit_ai
1:      CV         NA  0.3361245   0.2893457 -0.28468670  0.3247336  -0.18127203 -0.16032655
2:       F -0.7071068  0.4875320   0.7715885  1.59862532  0.1700986   1.55068347  1.31594762
3:     IER  0.7071068 -0.6631646  -0.5143923 -0.12409420 -0.6030768   0.02512682 -0.01746131
4:    LS-c         NA -1.3444981  -1.4788780 -1.16064578 -1.2680075  -1.24018782 -1.46198764
5:    LS-o         NA  1.1840062   0.9323361 -0.02919864  1.3762521  -0.15435044  0.32382788

де розрахований вручну метод просто ігнорує колмуни, що містять NA:

> dt %>% mutate(normalizedHuman = (Human - mean(Human))/sd(Human)) %>% 
+ mutate(normalizedGoogle = (Google - mean(Google))/sd(Google)) %>% 
+ mutate(normalizedGoogleCloud = (GoogleCloud - mean(GoogleCloud))/sd(GoogleCloud)) %>% 
+ mutate(normalizedIBM = (IBM - mean(IBM))/sd(IBM)) %>% 
+ mutate(normalizedMicrosoft = (Microsoft - mean(Microsoft))/sd(Microsoft)) %>% 
+ mutate(normalizedSpeechmatics = (Speechmatics - mean(Speechmatics))/sd(Speechmatics)) %>% 
+ mutate(normalizedWit_ai = (Wit_ai - mean(Wit_ai))/sd(Wit_ai))
  ASR_API Human Google GoogleCloud  IBM Microsoft Speechmatics Wit_ai normalizedHuman normalizedGoogle
1      CV    NA   23.2        23.3 21.8      29.1         19.1   35.6              NA        0.3361245
2       F   5.8   24.2        26.3 47.6      28.1         38.4   54.2              NA        0.4875320
3     IER  12.7   16.6        18.3 24.0      23.1         21.4   37.4              NA       -0.6631646
4    LS-c    NA   12.1        12.3  9.8      18.8          7.3   19.2              NA       -1.3444981
5    LS-o    NA   28.8        27.3 25.3      35.9         19.4   41.7              NA        1.1840062
  normalizedGoogleCloud normalizedIBM normalizedMicrosoft normalizedSpeechmatics normalizedWit_ai
1             0.2893457   -0.28468670           0.3247336            -0.18127203      -0.16032655
2             0.7715885    1.59862532           0.1700986             1.55068347       1.31594762
3            -0.5143923   -0.12409420          -0.6030768             0.02512682      -0.01746131
4            -1.4788780   -1.16064578          -1.2680075            -1.24018782      -1.46198764
5             0.9323361   -0.02919864           1.3762521            -0.15435044       0.32382788

(нормалізуєтьсялюдський складається список НС ...)

що стосується вибору конкретних стовпців для обчислення, може бути використаний загальний метод, як цей:

data_vars <- df_full %>% dplyr::select(-ASR_API,-otherVarNotToBeUsed)
meta_vars <- df_full %>% dplyr::select(ASR_API,otherVarNotToBeUsed)
data_varsn <- normalize(data_vars, method = "standardize", range = c(0, 1), margin = 1L, on.constant = "quiet")
dtn <- cbind(meta_vars,data_varsn)

@BBKim в значній мірі дав найкращу відповідь, але це можна просто зробити коротше. Я здивований, ще ніхто не придумав цього.

dat <- data.frame(x = rnorm(10, 30, .2), y = runif(10, 3, 5)) dat <- apply(dat, 2, function(x) (x - mean(x)) / sd(x))