0

假设我有大约 500 个变量可用，并且我正在尝试为我的模型进行变量选择（响应是二进制的）

我打算对所有连续的进行某种 corr 分析，然后再进行分类。

由于涉及很多变量，我无法手动完成。

有我可以使用的功能吗？或者也许是一个模块？

4

3 回答 3

5

我正在使用irisavaialbe 中的数据集R。然后

sapply(iris, is.factor)
Sepal.Length  Sepal.Width Petal.Length  Petal.Width      Species 
       FALSE        FALSE        FALSE        FALSE         TRUE

会告诉你天气你的列是否是因素。所以使用

iris[ ,sapply(iris, is.factor)]

您只能选择因子列。和

iris[ ,!sapply(iris, is.factor)]

会给你那些不是因素的列。您还可以使用is.numeric,is.character和不同的其他版本。

于 2013-08-09T16:19:34.787 回答
1

创建一个函数，该函数返回的唯一值数量小于总数的一部分，我选择 5%：

 discreteL <- function(x) length(unique(x)) < 0.05*length(x)

现在sapply它（对连续变量的否定）到data.frame：

 > str( iris[ , !sapply(iris, discreteL)] )
'data.frame':   150 obs. of  4 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...

我想你可以选择一个特定的数字，比如 15，作为你的标准。

我应该明确指出，统计理论表明这个程序对于所概述的目的是危险的。仅选择与二元响应最相关的变量并没有得到很好的支持。有许多研究表明了更好的变量选择方法。所以我的回答其实只是如何做分离，而不是对你模糊描述的总体方案的背书。

于 2013-08-09T16:49:55.770 回答
1

您可以使用str(df)查看哪些列是因素，哪些不是（df 是您的数据框）。例如，对于 R 中的数据 iris：

str(iris)
'data.frame':   150 obs. of  5 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
 $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

或者，您可以使用lapply(iris,class)

$Sepal.Length
[1] "numeric"

$Sepal.Width
[1] "numeric"

$Petal.Length
[1] "numeric"

$Petal.Width
[1] "numeric"

$Species
[1] "factor"
于 2013-08-09T16:21:43.927 回答