如何識別R中數據框中的變量類型？

Question

我正在嘗試使用幾種不同的方法爲我的團隊創建一個全面的自動化代碼，用於缺少值填補。我知道邏輯，但是我在數據類別識別方面遇到了麻煩，這在確定選擇插補方法時很重要。

說我長相的工作是這樣的數據：

現在，我想我的代碼，以確定的變量類型：多層次

因子

1. 範疇/因子與二級1和0（二進制）
2. 因子除了1和0兩個級別，如'是'和'否'
3. 連續

這裏是WIP的代碼，我有，但它不是做這份工作，我理解其中的邏輯會失敗給出的數據是不同的

data_type_vector<-function(x) 
{ 
    categorical_index<-character() 
    binary_index<-character() 
    continuous_index<-character() 
    binary_index_1<-character() 

    data<-x 

    for(a in 1:ncol(data)){ 

if(length(unique(data[,a])) >= 2 & length(unique(data[,a])) < 15 & 
    max(as.character(data[,a]),na.rm=T) != 1 & min(as.character(data[,a]),na.rm=T) !=0) 
{ 

    categorical_index<-c(categorical_index,colnames(data[a])) 

} else if (max(as.character(data[,a]),na.rm=T) == 1 & min(as.character(data[,a],na.rm=T))==0) { 

    binary_index<-c(binary_index,colnames(data[a])) 

} else if (length(unique(data[,a]))==2) { 

    #this basically defines categorical variables with two categories like male/female 
    #which don't have 1 0 values in the data but are still binary 
    #we are keeping them seperate for the purpose of further analysis 

    binary_index_1<-c(binary_index_1,colnames(data[a])) 

} else 

{ 
    continuous_index<-c(continuous_index,colnames(data[a])) 
} 

} 

assign("categorical_index",categorical_index,envir=globalenv()) 
assign("binary_index",binary_index,envir=globalenv()) 
assign("continuous_index",continuous_index,envir=globalenv()) 
assign("binary_index_1",binary_index_1,envir=globalenv()) 
} 

我試圖改善邏輯之我已經習慣使它成爲通用的，以便其他人可以使用它，但我在這裏遇到了一堵牆。感謝任何幫助。

Answer 1

這可以通過檢查層數和層次本身來完成。 categorize是通用的，如果給定data.frame，則調用categorize.data.frame。它依次爲每列調用categorize.default。也可以直接在列上調用categorize。

它的工作方式是計算級別的數量，除非有三個或更多的它使用3，如果級別爲「0」和「1」，則它加上2。這給了我們一個介於0和4之間的數字。然後我們設置一個有意義的關卡名稱。

請注意，任何不是因素將被確定爲「連續」。例如，如問題所暗示的，只包含0和1的列是連續的，因爲它不是一個因素。

categorize <- function(x, ...) UseMethod("categorize") 

categorize.data.frame <- function(x, ...) sapply(x, categorize) 

categorize.default <- function(x, ...) { 
    factor(min(nlevels(x), 3) + 2*identical(levels(x), c("0", "1")), levels = 0:4, 
    labels = c("continuous", "factor1", "factor2", "factor", "zero-one")) 
} 

現在測試一下：

DF <- data.frame(a = factor(c(0, 1, 0)), b = factor(c("male", "female", "male")), 
     c = factor(1:3), d = 1:3) 

categorize(DF) 
##   a   b   c   d 
## zero-one factor2  factor continuous 
## Levels: continuous factor1 factor2 factor zero-one 

categorize(DF$a) 
## [1] zero-one 
## Levels: continuous factor1 factor2 factor zero-one 

categorize(0:1) 
## [1] continuous 
## Levels: continuous factor1 factor2 factor zero-one 

注：由於被要求接近只是要求的級別數是什麼，另一種可能是剛剛返回的數水平並使用-2來表示具有「0」，「1」水平的二進制因子。也就是說，

categorize.default <- function(x, ...) nlevels(x) - 4 * identical(levels(x), c("0", "1"))