通過的另一個因素就近水平替換因素的水平

Question

讓說我有R.以下數據

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

（我的數據要複雜得多，這是一個簡化）

我想檢查測試集中的水平是否存在於訓練集中，如果不是，則用訓練集中最接近的值替換。 例如，測試集中的級別30和65不存在於訓練集中，所以我想分別用34和67代替它們。

目前，我創建了以下代碼。

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) 

它的工作，但我需要手動指定水平。由於我的數據量很大，這對我來說不實用。

我不知道如何在訓練集中找到最接近的值。 我可以使用for循環來自動化它。

Answer 1

首先要獲取不匹配的水平：

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

然後編寫一個函數來沿着他們跑，找到最接近的匹配：

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" 

那麼這可以被分配到正確的級別：

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

> levels(test) 
[1] "1" "2" "34" "67"