Standaryzuj kolumny danych w R.

209

Mam wywołany zestaw danych, spamktóry zawiera 58 kolumn i około 3500 wierszy danych związanych ze spamem.

Planuję uruchomić regresję liniową dla tego zestawu danych w przyszłości, ale chciałbym wcześniej wykonać pewne wstępne przetwarzanie i ujednolicić kolumny, aby miały zerową średnią i wariancję jednostkową.

Powiedziano mi, że najlepszym sposobem na to jest R, więc chciałbym zapytać, jak mogę osiągnąć normalizację za pomocą R ? Mam już poprawnie załadowane dane i szukam tylko niektórych pakietów lub metod do wykonania tego zadania.

Hoser
źródło

Odpowiedzi:

533

Muszę założyć, że chciałeś powiedzieć, że chcesz średnią 0 i odchylenie standardowe 1. Jeśli twoje dane są w ramce danych, a wszystkie kolumny są liczbowe, możesz po prostu wywołać scalefunkcję danych, aby zrobić to, co chcesz.

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)

Korzystanie z wbudowanych funkcji jest eleganckie. Jak ten kot:

wprowadź opis zdjęcia tutaj

Dason
źródło
24
Tak, mój błąd, miałem na myśli 0. I to jest dość elegancki kot
Hoser
8
+1 za pomocą zastosowania może być powolne, tak jak ten gruby kot :) (colMeans tutaj)
agstudy
1
@agstudy Fair dość. Powinienem przyzwyczaić się do używania colMeans / colSums więcej. Chyba o tym nie myślę, chyba że jestem w sytuacji, w której to naprawdę ma znaczenie ...
Dason
137
ta strona potrzebuje więcej kotów +1
LoveMeow
35
Ostrzeżenie: skala przekształca również ramkę danych w macierz
Julian Karls,
88

Zdając sobie sprawę, że pytanie jest stare i jedna odpowiedź została zaakceptowana, przedstawię inną odpowiedź w celach informacyjnych.

scalejest ograniczony faktem, że skaluje wszystkie zmienne . Poniższe rozwiązanie pozwala skalować tylko określone nazwy zmiennych, zachowując jednocześnie inne zmienne bez zmian (a nazwy zmiennych można generować dynamicznie):

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

co daje mi to:

> 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

i

> 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

EDYCJA 1 (2016) : scaleRozwiązano komentarz Juliana: wyjściem jest macierz Nx1, więc najlepiej dodać argument, as.vectoraby przekonwertować typ macierzy z powrotem na typ wektorowy. Dzięki Julian!

EDYCJA 2 (2019) : Cytując komentarz Duccio A.: W najnowszym dplyr (wersja 0.8) musisz zmienić dplyr :: funcs z listą, jakdat %>% mutate_each_(list(~scale(.) %>% as.vector), vars=c("y","z"))

EDYCJA 3 (2020) : Dzięki @mj_whales: stare rozwiązanie jest przestarzałe i teraz musimy go użyć mutate_at.

akhmed
źródło
Ta metoda działa idealnie, szczególnie gdy mam kombinację zmiennych kategorialnych i liczbowych. Mam tylko jedno pytanie, co ten operator oznacza „%>%”?
nooshinha
9
@ weber85, jest to operator „potoku” (z programowania funkcjonalnego). Zamiast pisać f(g(x)), ładniej by wyglądało, gdyby ktoś napisał x %>% g %>% f. Innymi słowy, dat %>% mutate_each_(funs(scale),vars=c("y","z"))jest sprawiedliwy mutate_each_(dat,funs(scale),vars=c("y","z")). Operator bardzo pomaga, gdy łańcuch jest bardzo długi, ponieważ f(g(h(i(j(x)))))może być bardzo trudny do odczytania.
akhmed
Korzystając z tego podejścia, kolumny, do których zastosowano skalę, są przenoszone z wektora (klasy numerycznej) do macierzy Nx1. Może to (i w moim przypadku tak) powodować błędy w pakietach, które zakładają, że każda kolumna data.frame jest wektorem.
Julian Karls
2
Do najnowszej dplyr(wersja 0.8), trzeba zmienić dplyr::funcsz list, jakdat %>% mutate_each_(list(~scale(.) %>% as.vector), vars=c("y","z"))
Duccio A
2
mutate_each_()jest teraz przestarzałe Zamiast tego możesz użyć mutate_at(). Nowy sposób na zrobienie tego to:dat2 <- dat %>% mutate_at(c("y", "z"), scale)
mj_whales
60

To ma 3 lata. Mimo to uważam, że muszę dodać:

Najczęstszą normalizacją jest transformacja z , w której odejmuje się średnią i dzieli przez odchylenie standardowe zmiennej. Wynik będzie miał średnią = 0 i sd = 1.

Do tego nie potrzebujesz żadnej paczki.

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

Otóż ​​to.

fmb
źródło
Całkowicie prosty sposób na wykonanie tego. Dzięki
Pedro Neves,
I sprawia, że korzystanie to dplyr znacznie łatwiejsze: mutate(var = (var - mean(var))/sd(var)).
RobertMyles,
Ale czy można tego użyć, aby uzyskać wynik Z dla dwóch zmiennych?
lf_araujo,
denormalizować myVar <- (zVar * sd(zVar)) + mean(zVar), prawda?
Artur_Indio
4
@Artur_Indio Niemal: newVar <- (zVar * sd(myVar)) + mean(myVar). Musisz użyć oryginalnego oznaczenia / sd. Jak napisałeś, pomnożysz przez sd(zVar)=1i dodasz mean(zVar)=0, więc nic się nie zmieni :)
random_forest_fanatic 24.04.2018
24

Pakiet „Caret” zapewnia metody wstępnego przetwarzania danych (np. Centrowanie i skalowanie). Możesz także użyć następującego kodu:

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

Więcej informacji: http://www.inside-r.org/node/86978

DaniM
źródło
17

Kiedy skorzystałem z rozwiązania podanego przez Dason, zamiast otrzymać ramkę danych, otrzymałem wektor liczb (skalowane wartości mojego df).

Jeśli ktoś ma takie same problemy, musisz dodać as.data.frame () do kodu, tak jak poniżej:

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

Mam nadzieję, że będzie to przydatne dla ppl mającego ten sam problem!

Diego
źródło
Fajne rozwiązanie! W przypadku, gdy ktoś chce wykluczyć kolumnę ze skalowania, możesz to zrobić w następujący sposób: train_dt[-24] <- scale(train_dt[-24]) gdzie „24” to numer kolumny do wykluczenia
NetEmmanuel
13

Możesz łatwo znormalizować dane również za pomocą funkcji data.Normalization w pakiecieusterSim. Zapewnia inną metodę normalizacji danych.

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

Argumenty

x typ normalizacji
wektorowej, macierzowej lub zestawu danych
: n0 - bez normalizacji

n1 - standaryzacja ((x-średnia) / sd)

n2 - standaryzacja pozycyjna ((x-mediana) / mad)

n3 - ujednolicenie ((średnia x) / zakres)

n3a - ujednolicenie pozycyjne ((x-mediana) / zakres)

n4 - ujednolicenie z zerowym minimum ((x-min) / zakres)

n5 - normalizacja w zakresie <-1,1> ((x-średnia) / max (abs (x-średnia)))

n5a - normalizacja położenia w zakresie <-1,1> ((x-mediana) / max (abs (x-mediana)))

n6 - transformacja ilorazowa (x / sd)

n6a - transformacja ilorazu pozycyjnego (x / mad)

n7 - transformacja ilorazowa (x / zakres)

n8 - transformacja ilorazowa (x / max)

n9 - transformacja ilorazowa (x / średnia)

n9a - transformacja ilorazu pozycyjnego (x / mediana)

n10 - transformacja ilorazowa (x / suma)

n11 - transformacja ilorazowa (x / sqrt (SSQ))

n12 - normalizacja ((x-średnia) / sqrt (suma ((x-średnia) ^ 2)))

n12a - normalizacja pozycyjna ((x-mediana) / sqrt (suma ((x-mediana) ^ 2)))

n13 - normalizacja z punktem zerowym będącym punktem środkowym ((x-średnica) / (zakres / 2))

normalizacja
„kolumna” - normalizacja według zmiennej, „wiersz” - normalizacja według obiektu

Samehmagd
źródło
ten pakiet nie jest dostępny dla wersji R 3.4.3
JdP
11

W wersji dplyr0.4.4 wszystkie zmienne można skalować za pomocą 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

Określone zmienne można wykluczyć, używając 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

Utworzono 24.04.2018 przez pakiet reprezentx (v0.2.0).

pat-s
źródło
9

Ponownie, mimo że jest to stare pytanie, jest bardzo istotne! I znalazłem prosty sposób na znormalizowanie niektórych kolumn bez potrzeby żadnych pakietów:

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

Na przykład

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)

Zobaczysz, że kolumny y i z zostały znormalizowane. Żadne pakiety nie są potrzebne :-)

BBKim
źródło
8

Skali można używać zarówno dla pełnej ramki danych, jak i dla konkretnych kolumn. W przypadku określonych kolumn można użyć następującego kodu:

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

Pełna ramka danych

trainingSet <- scale(trainingSet)
Amit
źródło
3

dplyrPakiet posiada dwie funkcje, które to zrobić.

> require(dplyr)

Aby mutować określone kolumny tabeli danych, możesz użyć funkcji mutate_at(). Aby mutować wszystkie kolumny, możesz użyć mutate_all.

Poniżej znajduje się krótki przykład użycia tych funkcji do standaryzacji danych.

Mutuj określone kolumny:

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 

Mutuj wszystkie kolumny:

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 
Jacek
źródło
1

Zanim znalazłem ten wątek, miałem ten sam problem. Miałem zależne od użytkownika typy kolumn, więc napisałem forpętlę przechodzącą przez nie i szukającą potrzebnych kolumn scale. Prawdopodobnie istnieją lepsze sposoby, aby to zrobić, ale to dobrze rozwiązało problem:

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

as.vectorjest potrzebną częścią, ponieważ okazało się, że scalema rownames x 1matrycę, która zwykle nie jest tym, co chcesz mieć w sobie data.frame.

Claud H.
źródło
0

Skorzystaj z pakietu „Recommenderlab”. Pobierz i zainstaluj pakiet. Ten pakiet ma wbudowane polecenie „Normalizuj”. Pozwala także wybrać jedną z wielu metod normalizacji, a mianowicie „środek” lub „wynik Z”. Postępuj zgodnie z następującym przykładem:

## 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")
użytkownik3601993
źródło
1
Ta odpowiedź nie dotyczy pytania.
f0nzie
0

Funkcja normalizacji z pakietu BBMisc była dla mnie właściwym narzędziem, ponieważ może radzić sobie z wartościami NA.

Oto jak z niego korzystać:

Biorąc pod uwagę następujący zestaw danych,

    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

znormalizowane wartości można uzyskać w następujący sposób:

> 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

gdzie ręcznie obliczona metoda ignoruje colmuns zawierające 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

(znormalizowany Człowiek tworzy listę NA ...)

w odniesieniu do wyboru konkretnych kolumn do obliczeń można zastosować ogólną metodę, taką jak ta:

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)
użytkownik1767316
źródło
0

@BBKim prawie dał najlepszą odpowiedź, ale można to zrobić krócej. Dziwi mnie, że nikt jeszcze tego nie wymyślił.

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

Ian
źródło