因子水平假人變量R

Question

，我不知道我是否應該列入各級當我創建從一個列表中的因素：

random_merge_patients$MedCond <-factor(sort(random_merge_patients[[35]])) 

因子的例子看起來是這樣的：

[6589] "wt loss ftt arthritis anemia of chronic disease mild cognitive impairment hx gout dehydration prednisone therapy long term med use" 

如果水平應該被選中，我會選擇什麼？任何人都可以澄清，因爲這是令我困惑的。

我要使用這個變量來創建一個虛擬變量，但即使我在$Dementia沒有錯誤消息，所有的值都爲0，但有些應該是1秒：

random_merge_patients$'MedCond_Dementia'<-ifelse(random_merge_patients$'MedCond' == "dementia",1,0) 

Answer 1

可能存在的一些混亂它們是什麼因素在R中。它們是一種以允許傳統統計模型將其用作輸入（例如線性建模）的形式表示非數字值的方式。因素有一套固定的「水平」（對於電腦），每一個都有一個「標籤」（對於人類）。但是，R並沒有考慮應該爲標籤提取字符串的哪些方面。

考慮這個小例子。

x = c("wt loss ftt arthritis anemia of chronic disease", 
     "sleep loss ftt dementia", 
     "wt loss ftt arthritis anemia of chronic disease", 
     "wt loss ftt demntia") 

f = factor(x) 
f 
#> [1] wt loss ftt arthritis anemia of chronic disease sleep loss ftt dementia 
#> [3] [3] wt loss ftt arthritis anemia of chronic disease wt loss ftt demntia 
#> 3 Levels: sleep loss ftt dementia ... wt loss ftt demntia 

我們的原始矢量長度爲4，它包含3個獨特的字符串。當我們將它轉​​換爲一個因子時，R會自動創建關卡並按字母順序將標籤分配給這些關卡（因此您的sort無關緊要）。請注意0​​中的第一個值如何以「wt loss」開始，但第一個值以sleep開頭。 R創建了3個級別，因爲有3個唯一值並接受原始字符串作爲標籤。在這一點上，我們的因式矢量實際上只是一個整數矢量，並有一種將標籤映射到這些整數的方法。

as.numeric(f) 
#> [1] 2 1 2 3 

再次注意級別（數字部分）是如何按字母順序創建的。因此，採用字符串並將其轉換爲因子有助於R爲線性模型自動創建虛擬變量，但如果要設計自己的功能（例如，創建「癡呆症」列），它不會帶來額外的好處。

對於這種情況下的特徵工程，您最好查看正則表達式。例如，如果我想創造編碼減肥矢量我可以這樣做：

wt.loss = grepl("w[^ ]*t loss",x) 
wt.loss 
#> [1] TRUE FALSE TRUE TRUE 

• grepl是一個合乎邏輯的grep（其中grep是一個搜索功能），所以它會返回TRUE/FALSE
• "w[^ ]*t loss"搜索看起來像「w（任何非空格字符重複0或更多次）t損失」的子字符串，因此它會匹配「wt loss」或「weight loss」。
• x指定搜索的載體。

您可以根據您想要工程師儘可能多的功能做到這一點。尋找癡呆將是grepl("dementia",x)。如果有多個術語都意味着您可以使用|基本上相同的東西標記一個或一個條件（例如grepl("osteoperosis|calcium loss in bones",x)）。