Pakiet R do łączenia poziomów czynników do analizy danych?

Zastanawiasz się, czy ktoś natknął się na pakiet / funkcję w R, która połączy poziomy współczynnika, którego proporcja wszystkich poziomów w współczynniku jest mniejsza niż pewien próg? Konkretnie, jednym z pierwszych kroków w przygotowaniu danych, które przeprowadzam, jest zwinięcie razem nielicznych poziomów czynników (powiedzmy na poziomie zwanym „Inne”), które nie stanowią co najmniej, powiedzmy, 2% całości. Odbywa się to bez nadzoru i ma miejsce, gdy celem jest modelowanie niektórych działań marketingowych (nie wykrywanie oszustw, w których te bardzo małe zdarzenia mogą być niezwykle ważne). Szukam funkcji, która zwija poziomy, dopóki nie zostanie osiągnięta pewna część progu.

AKTUALIZACJA:

Dzięki tym świetnym sugestiom dość łatwo napisałem funkcję. Zdałem sobie jednak sprawę, że możliwe było zawalenie poziomów z proporcją <minimum i nadal mieć ten przekodowany poziom <minimum, wymagający dodania najniższego poziomu z proporcją> minimum. Prawdopodobnie może być bardziej wydajny, ale wydaje się, że działa. Kolejnym ulepszeniem byłoby wymyślenie, jak uchwycić „reguły” stosowania logiki zwijania do nowych danych (zestaw sprawdzania poprawności lub dane przyszłe).

collapseFactors<- function(tableName,minPercent=5,fillIn ="RECODED" )
{
    for (i in 1:ncol(tableName))
        {   

            if(is.factor(tableName[,i]) == TRUE) #process just factors
            {


                sortedTable<-sort(prop.table(table(tableName[,i])))
                numberToCollapse<-length(sortedTable[sortedTable<(minPercent/100)])

                if (sum(sortedTable[1:numberToCollapse])<(minPercent/100))
                    {
                        numberToCollapse=numberToCollapse+1 #add next level if < minPercent
                    }

                if(numberToCollapse>1) #if not >1 then nothing to collapse
                {
                    lf <- names(sortedTable[1:numberToCollapse])
                    levels(tableName[,i])[levels(tableName[,i]) %in% lf] <- fillIn
                }
            }#end if a factor


        }#end for loop

    return(tableName)

}#end function

Wydaje się, że to tylko kwestia „trafności” tego czynnika; nie trzeba obliczać sum częściowych ani wykonywać kopii oryginalnego wektora. Na przykład,

set.seed(101)
a <- factor(LETTERS[sample(5, 150, replace=TRUE, 
                           prob=c(.1, .15, rep(.75/3,3)))])
p <- 1/5
lf <- names(which(prop.table(table(a)) < p))
levels(a)[levels(a) %in% lf] <- "Other"

Tutaj pierwotne poziomy współczynników są podzielone w następujący sposób:

 A  B  C  D  E 
18 23 35 36 38 

i wtedy staje się

Other     C     D     E 
   41    35    36    38 

Może być dogodnie zawinięty w funkcję. W pakiecie przekształcającym jest combine_factor()funkcja , więc myślę, że może być również przydatna.

Ponadto, jeśli wydajesz się zainteresowany eksploracją danych, możesz rzucić okiem na pakiet Caret . Ma wiele przydatnych funkcji do wstępnego przetwarzania danych, w tym takie funkcje, nearZeroVar()które pozwalają na oznaczanie predyktorów z bardzo niezrównoważonym rozkładem obserwowanych wartości (patrz na przykład winieta, dane, funkcje przetwarzania wstępnego, wizualizacje i inne funkcje , s. 5) użytkowania).

Jedyny problem z odpowiedzią Christophera polega na tym, że pomieszane zostanie oryginalne uporządkowanie tego czynnika. Oto moja poprawka:

 Merge.factors <- function(x, p) {
     t <- table(x)
     levt <- cbind(names(t), names(t)) 
     levt[t/sum(t)<p, 2] <- "Other"
     change.levels(x, levt)
 }

gdzie change.levelsjest następująca funkcja. Napisałem to jakiś czas temu, więc podejrzewam, że mogą istnieć lepsze sposoby na osiągnięcie tego, co robi.

 change.levels <- function(f, levt) {
     ##Change the the names of the factor f levels from
     ##substitution table levt.
     ## In the first column there are the original levels, in
     ## the second column -- the substitutes
     lv <- levels(f)
     if(sum(sort(lv) != sort(levt[, 1]))>0)
     stop ("The names from substitution table does not match given level names")
     res <- rep(NA, length(f))

     for(i in lv) {
          res[f==i] <- as.character(levt[levt[, 1]==i, 2])
     }
     factor(res)
}

Napisałem szybką funkcję, która osiągnie ten cel. Jestem początkującym użytkownikiem R, więc może być powolny przy dużych tabelach.

Merge.factors <- function(x, p) { 
    #Combines factor levels in x that are less than a specified proportion, p.
    t <- table(x)
    y <- subset(t, prop.table(t) < p)
    z <- subset(t, prop.table(t) >= p)
    other <- rep("Other", sum(y))
    new.table <- c(z, table(other))
    new.x <- as.factor(rep(names(new.table), new.table))
    return(new.x)
}

Jako przykład tego w akcji:

> a <- rep("a", 100)
> b <- rep("b", 1000)
> c <- rep("c", 1000)
> d <- rep("d", 1000)
> e <- rep("e", 400)
> f <- rep("f", 100)
> x <- factor(c(a, b, c, d, e, f))
> summary(x)
   a    b    c    d    e    f 
 100 1000 1000 1000  400  100 
> prop.table(table(x))
x
         a          b          c          d          e          f 
0.02777778 0.27777778 0.27777778 0.27777778 0.11111111 0.02777778 
> 
> w <- Merge.factors(x, .05)
> summary(w)
    b     c     d     e Other 
 1000  1000  1000   400   200 
> class(w)
[1] "factor"