1

假设我在 R 中有以下数据。

training = factor(c(1,1,3,2,1,3,2,34,67,34))
test = factor(c(1,1,2,30,65,30))

（我的数据要复杂得多，这是一个简化）

我想检查测试集中的级别是否存在于训练集中，如果不存在，则将其替换为训练集中最接近的值。例如，训练集中不存在测试集中的 30 和 65 级，所以我想分别用 34 和 67 替换它们。

目前，我创建了以下代码。

replacefactor <- function(dat,new_factor,near_factor) {
if (!(near_factor %in% levels(dat))){
    levels(dat) <- c(levels(dat),near_factor)
}
dat[dat==new_factor] <- near_factor
dat <- factor(dat)
}

test <- replacefactor(test,30,34)
test <- replacefactor(test,65,67)

它有效，但我需要手动指定级别。由于我的数据量很大，这对我来说是不切实际的。

我不确定如何在训练集中找到最接近的值。然后我可以使用 for 循环来自动化它。

4

1 回答 1

4

首先获取不匹配的级别：

test.missing <- levels(test)[!levels(test) %in% levels(training)]

然后编写一个函数来沿着它们运行并找到最近的匹配：

myfun <- function(x, y) {
  levels(y)[which.min(abs(as.integer(levels(y)) - as.integer(x)))]
}

> unlist(lapply(test.missing, myfun, training))
[1] "34" "67"

然后可以将其分配给正确的级别：

levels(test)[!levels(test) %in% levels(training)] <- unlist(lapply(test.missing, myfun, training))

> levels(test)
[1] "1"  "2"  "34" "67"
于 2012-06-15T18:52:33.907 回答