R 在一个热编码中每行有多个值-建议这样做吗？

我正在使用

mltools

中的

one\u hot

函数将一个2变量的数据帧转换为一个宽数据帧，其中每个变量（除了索引）都是一个因子级别

熔化的框架中有25000行，只有2个变量——一个是800级的因子，一个是索引，这样我可以在以后再合并回去

我将使用各种机器学习包，因此需要以一种可接受的方式表示800因子水平

然而，当我使用

one\u hot

时，我得到了一个包含801列的框架，这是正确的（800个因子级别+1个索引）但是我仍然有25000行。索引中以唯一值表示的原始观测数为1000

所以，我的问题是——一个热变量每行只有一个正值是最佳实践吗？现在将其向下折叠，使每一行都是一个观察值，是否有缺点

---

谢谢。

我将根据您提供的信息回答问题

基本上，你有25000个索引观察值（由

id

表示）的一个变量（800级的因子变量，由

val

表示）。你能做的是：

按因子变量分组（例如，通过

分组依据（）

）

添加频率计数（例如，通过

freq=n（）

）

一个加热你的变量（mltools的

mltools

包真的很适合这样做）

这将使您没有索引，但有一个2 x 801表，该表包含每个一个热变量（列1:800）及其频率（列801）。许多框架可以很好地处理这样的数据，但如果没有进一步的信息，就不可能具体回答

> str(result)
Classes ‘data.table’ and 'data.frame':  800 obs. of  801 variables:
 $ val_AAL5 : int  1 0 0 0 0 0 0 0 0 0 ...
 $ val_ABP14: int  0 1 0 0 0 0 0 0 0 0 ...
 $ val_ACQ8 : int  0 0 1 0 0 0 0 0 0 0 ...
 $ val_ADU8 : int  0 0 0 1 0 0 0 0 0 0 ...
 $ val_AEB16: int  0 0 0 0 1 0 0 0 0 0 ...
 $ val_AEX17: int  0 0 0 0 0 1 0 0 0 0 ...
 $ val_AGQ4 : int  0 0 0 0 0 0 1 0 0 0 ...
 $ val_AHS8 : int  0 0 0 0 0 0 0 1 0 0 ...
 $ val_AHV2 : int  0 0 0 0 0 0 0 0 1 0 ...
 $ val_AHX16: int  0 0 0 0 0 0 0 0 0 1 ...
 $ val_AIV19: int  0 0 0 0 0 0 0 0 0 0 ...
...

密码

df%
分组依据（val）%>%
总结（freq=n（））
你能提供一个小的可重复的例子吗？
df <- df %>%
    group_by(val) %>%
    summarise(freq = n()) 
dt <- as.data.table(df)
result <- one_hot(dt)

library(dplyr)
library(data.table)
library(mltools)
set.seed(1701)
df <- data.frame(
    id = 1:25000,
    val = sample(paste0(sample(LETTERS[1:26], 800, replace = TRUE),
            sample(LETTERS[1:26], 800, replace = TRUE),
            sample(LETTERS[1:26], 800, replace = TRUE),
            sample(1:20, 20, replace = TRUE)),
        25000, replace = TRUE))

> head(df)
  id   val
1  1 CXC15
2  2 IPH16
3  3  ICK1
4  4  OPJ2
5  5  XSA8
6  6 JKS19