1

我试图弄清楚如何step_dummy()从recipes包中争吵数据。尽管有此功能的参考页面，但我仍然无法理解如何使用tidyverse我知道的“常规”工具来完成它。这是一些基于recipes和rsample包的代码。我想实现相同的数据输出，但只使用dplyr/tidyr工具。

我为此演示选择了diamonds数据集。ggplot2

library(rsample)
library(recipes)

my_diamonds <- diamonds[, c("carat", "cut", "price")]
init_split  <- initial_split(my_diamonds, prop = .1)
d_training  <- training(init_split)

d_training_dummied_using_recipe <-
  recipe(formula = price ~ ., data = d_training) %>%
  step_dummy(all_nominal()) %>% 
  prep() %>%
  bake(new_data = NULL) # equivalent to `juice()`. It means to get the training data (`d_training`) after the steps in the recipe were applied to it.

d_training_dummied_using_recipe
#> # A tibble: 5,394 x 6
#>    carat price  cut_1  cut_2     cut_3  cut_4
#>    <dbl> <int>  <dbl>  <dbl>     <dbl>  <dbl>
#>  1  0.5   1678 -0.316 -0.267  6.32e- 1 -0.478
#>  2  0.7   2608 -0.316 -0.267  6.32e- 1 -0.478
#>  3  1.7   9996  0.316 -0.267 -6.32e- 1 -0.478
#>  4  0.73  1824  0.316 -0.267 -6.32e- 1 -0.478
#>  5  0.4    988  0.632  0.535  3.16e- 1  0.120
#>  6  1.04  4240  0.316 -0.267 -6.32e- 1 -0.478
#>  7  0.9   3950  0     -0.535 -4.10e-16  0.717
#>  8  0.4   1116  0     -0.535 -4.10e-16  0.717
#>  9  1.34 10070  0.632  0.535  3.16e- 1  0.120
#> 10  0.6    806  0.316 -0.267 -6.32e- 1 -0.478
#> # ... with 5,384 more rows

我的问题是，在给定的情况下，我们如何通过使用or （并且可能）函数d_training来获得与 相同的输出？我看过这样的帖子，但它们似乎不适合当前的情况。d_training_dummied_using_recipedplyrtidyrforcats

编辑

显然，step_dummy()只对cut列进行操作，这是因为我们指定了all_nominal(). 事实上，cut是 中唯一的名义变量d_training。我认为这些cut_*列对应于 的级别cut，但后来我跑了：

levels(d_training$cut)
#> [1] "Fair"      "Good"      "Very Good" "Premium"   "Ideal"

其中显示 6 个级别，而只有 4cut_*列。所以这是理解正在发生的事情的一个限制。此外，这些值cut_*是如何生成的？

编辑 2

我遇到了最相关的小插曲如何在食谱中处理分类预测？它直接讨论了这个话题。

R 中的对比函数是一种将具有分类值的列转换为一个或多个代替原始值的数字列的方法。这也可以称为编码方法或参数化函数。

默认方法是使用“参考单元”参数化创建虚拟变量。这意味着，如果因子有 C 个水平，则将创建 C - 1 个虚拟变量，并且除第一个因子水平之外的所有变量都被放入新列

关于级别数与cut_*列数，小插图明确表示：

请注意，列名不引用 [...] 变量的特定级别。此对比函数具有可涉及多个级别的列；特定于级别的列没有意义。

但最终没有示例如何使用常规工具（不在recipes上下文中）进行相同的操作。所以我最初的问题仍未解决。

4

2 回答 2

2

您可以查看源代码step_dummy()；我不确定我是否会称其为黑匣子本身。请注意，在 期间bake()，它使用model.matrix()基础 R。

library(rsample)
library(recipes)
#> Loading required package: 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
#> 
#> Attaching package: 'recipes'
#> The following object is masked from 'package:stats':
#> 
#>     step

data(diamonds, package = "ggplot2")

my_diamonds <- diamonds[, c("carat", "cut", "price")]
init_split  <- initial_split(my_diamonds, prop = .1)
d_training  <- training(init_split)

d_training_dummied_using_recipe <-
  recipe(formula = price ~ ., data = d_training) %>%
  step_dummy(all_nominal()) %>% 
  prep() %>%
  bake(new_data = NULL) 

d_training_dummied_using_recipe
#> # A tibble: 5,394 × 6
#>    carat price     cut_1  cut_2     cut_3  cut_4
#>    <dbl> <int>     <dbl>  <dbl>     <dbl>  <dbl>
#>  1  0.31   544 -3.16e- 1 -0.267  6.32e- 1 -0.478
#>  2  0.72  3294  6.32e- 1  0.535  3.16e- 1  0.120
#>  3  0.7   2257 -1.48e-18 -0.535 -3.89e-16  0.717
#>  4  0.5   1446  6.32e- 1  0.535  3.16e- 1  0.120
#>  5  0.31   772  6.32e- 1  0.535  3.16e- 1  0.120
#>  6  1.01  3733  3.16e- 1 -0.267 -6.32e- 1 -0.478
#>  7  0.31   942  6.32e- 1  0.535  3.16e- 1  0.120
#>  8  0.43   903 -3.16e- 1 -0.267  6.32e- 1 -0.478
#>  9  1.21  4391  3.16e- 1 -0.267 -6.32e- 1 -0.478
#> 10  1.37  5370  3.16e- 1 -0.267 -6.32e- 1 -0.478
#> # … with 5,384 more rows


model.matrix(price ~ .,
             data = d_training) %>%
  as_tibble()
#> # A tibble: 5,394 × 6
#>    `(Intercept)` carat     cut.L  cut.Q     cut.C `cut^4`
#>            <dbl> <dbl>     <dbl>  <dbl>     <dbl>   <dbl>
#>  1             1  0.31 -3.16e- 1 -0.267  6.32e- 1  -0.478
#>  2             1  0.72  6.32e- 1  0.535  3.16e- 1   0.120
#>  3             1  0.7  -1.48e-18 -0.535 -3.89e-16   0.717
#>  4             1  0.5   6.32e- 1  0.535  3.16e- 1   0.120
#>  5             1  0.31  6.32e- 1  0.535  3.16e- 1   0.120
#>  6             1  1.01  3.16e- 1 -0.267 -6.32e- 1  -0.478
#>  7             1  0.31  6.32e- 1  0.535  3.16e- 1   0.120
#>  8             1  0.43 -3.16e- 1 -0.267  6.32e- 1  -0.478
#>  9             1  1.21  3.16e- 1 -0.267 -6.32e- 1  -0.478
#> 10             1  1.37  3.16e- 1 -0.267 -6.32e- 1  -0.478
#> # … with 5,384 more rows

由reprex 包于 2021-12-30 创建(v2.0.1)

创建这些指标变量的配方实现为从训练数据中学习和应用于新数据或测试数据以及更标准的命名等设置了一些保护和便利。这可能是一个特别令人困惑的例子，因为cut它是一个有序的因素。

于 2021-12-31T01:32:30.243 回答
1

这只是一半的答案，但这应该可以帮助您了解cut_*列的映射方式。试试这个链接以获得更详细的外观：https ://recipes.tidymodels.org/articles/Dummies.html

library(tidyverse)
library(recipes)


diamonds |> 
  select(carat, cut, price) |>
  mutate(original = cut) |>
  (\(d) recipe(formula = price ~ ., data = d))() |>
  step_dummy(cut) |>
  prep()|>
  bake(new_data = NULL, original, starts_with("cut")) |>
  distinct() 
#> # A tibble: 5 x 5
#>   original   cut_1  cut_2     cut_3  cut_4
#>   <ord>      <dbl>  <dbl>     <dbl>  <dbl>
#> 1 Ideal      0.632  0.535  3.16e- 1  0.120
#> 2 Premium    0.316 -0.267 -6.32e- 1 -0.478
#> 3 Good      -0.316 -0.267  6.32e- 1 -0.478
#> 4 Very Good  0     -0.535 -4.10e-16  0.717
#> 5 Fair      -0.632  0.535 -3.16e- 1  0.120

编辑：

这是更多细节：

contr.poly(levels(diamonds$cut))
#>              .L         .Q            .C         ^4
#> [1,] -0.6324555  0.5345225 -3.162278e-01  0.1195229
#> [2,] -0.3162278 -0.2672612  6.324555e-01 -0.4780914
#> [3,]  0.0000000 -0.5345225 -4.095972e-16  0.7171372
#> [4,]  0.3162278 -0.2672612 -6.324555e-01 -0.4780914
#> [5,]  0.6324555  0.5345225  3.162278e-01  0.1195229

列cut_*表示映射自contr.poly和剪切级别。请注意切割列与contr.poly矩阵的相同之处。

于 2021-12-16T14:03:27.607 回答