R 从数据帧创建虚拟变量

我需要做一个贝叶斯线性回归（使用重新思考软件包），它要求我的分类变量是数字的（我想），所以我尝试创建虚拟变量，以便不同的类别用（0,1,2,3…）表示。我在下面模拟了一些数据，向您展示了我的数据。请记住，我的实际数据包含更多的分类变量，这些变量在这里表示，因此使用一堆ifelse函数并不理想：

#simulated data
X <- data.frame(
    Longest.axis = rnorm(50,10,5),
    Time..hrs. = round(runif(50,0,4)),
    Strain = sapply(1:50,function(x) {ifelse(x<12,"Msmeg_2788","Msmeg_WT")}),
    Item.Name = sapply(1:50,
        function(x) 
            {ifelse(x<6,"Q109.jpg",
            ifelse(x<20,"Q340.jpg",
                ifelse(x<40,"Q11.jpg","Q230.jpg")
            )
        )}
    )
) 

这是我尝试做的多元贝叶斯线性回归，以防你需要它来建议我应该做什么：

library(rethinking)
model <- map(
    alist(
        X$Longest.Axis ~ dnorm(mu,sigma),
        mu <- a + b1*Straindummy+b2*Item.Namedummy+b3*X$Time..hrs.,
        a ~ dnorm(10,10),
        b1 ~ dnorm(0,1),
        b2 ~ dnorm(0,1),
        b3 ~ dnorm(0,1),
        sigma ~ dunif(0,10)
    ),
    data = X )

库（重新思考）
model你不需要做任何model.matrix的事情，因为R因子是“隐藏”的数字。但是您确实需要从Github安装依赖项和包（您可能已经安装了，但没有为下一个读者描述如何安装）：

install.packages(c("coda","mvtnorm","devtools","loo"))
library(devtools)
devtools::install_github("rmcelreath/rethinking")

然后在更正变量名错误后，原始代码将使用原始列名运行：

 library(rethinking)
model <- map(
    alist(
        Longest.axis ~ dnorm(mu,sigma),
        mu <- a + b1*X$Strain+b2*X$Item.Name+b3*X$Time..hrs.,
        a ~ dnorm(10,10),
        b1 ~ dnorm(0,1),
        b2 ~ dnorm(0,1),
        b3 ~ dnorm(0,1),
        sigma ~ dunif(0,10)
    ),
    data = X )

model
#--------------------------------------
Maximum a posteriori (MAP) model fit

Formula:
Longest.axis ~ dnorm(mu, sigma)
mu <- a + b1 * X$Strain + b2 * X$Item.Name + b3 * X$Time..hrs.
a ~ dnorm(10, 10)
b1 ~ dnorm(0, 1)
b2 ~ dnorm(0, 1)
b3 ~ dnorm(0, 1)
sigma ~ dunif(0, 10)

MAP values:
          a          b1          b2          b3       sigma 
10.73889375 -0.21053314  0.01836911 -0.24736940  4.69900162 

Log-likelihood: -148.32 

试试
model.matrix（~Item.Name，X）
或者
model.matrix（~train，X）
如果你不需要截距，
model.matrix（~train-1，X）
我想你想要
mu=
或者
mu
，而不是
mu简而言之。。。不要那样做。它是不需要的，它会分散你识别真正错误的注意力，并阻止你有效地使用R的公式机制。我在西雅图呆了9年，大约一年前搬走了。从那以后就没在湾区住过了96@Gregor：你一定是和另一个如此普通的人混在一起了。我在特拉弗斯城长大，所以当我查到你的个人资料时，我很惊讶。
install.packages(c("coda","mvtnorm","devtools","loo"))
library(devtools)
devtools::install_github("rmcelreath/rethinking")

 library(rethinking)
model <- map(
    alist(
        Longest.axis ~ dnorm(mu,sigma),
        mu <- a + b1*X$Strain+b2*X$Item.Name+b3*X$Time..hrs.,
        a ~ dnorm(10,10),
        b1 ~ dnorm(0,1),
        b2 ~ dnorm(0,1),
        b3 ~ dnorm(0,1),
        sigma ~ dunif(0,10)
    ),
    data = X )

model
#--------------------------------------
Maximum a posteriori (MAP) model fit

Formula:
Longest.axis ~ dnorm(mu, sigma)
mu <- a + b1 * X$Strain + b2 * X$Item.Name + b3 * X$Time..hrs.
a ~ dnorm(10, 10)
b1 ~ dnorm(0, 1)
b2 ~ dnorm(0, 1)
b3 ~ dnorm(0, 1)
sigma ~ dunif(0, 10)

MAP values:
          a          b1          b2          b3       sigma 
10.73889375 -0.21053314  0.01836911 -0.24736940  4.69900162 

Log-likelihood: -148.32 

...
mu <- a + b1*Strain+b2*Item.Name+b3*X$Time..hrs.,
...

 object <- data.frame(x=runif(10), y=factor( sample(c('a','b','c'),10,rep=TRUE)))
 model.matrix(~x+y, object)
#----------------------
(Intercept)          x yb yc
1            1 0.04942913  0  0
2            1 0.92403817  1  0
3            1 0.46485707  0  1
4            1 0.57529925  1  0
5            1 0.47036022  0  1
6            1 0.63165954  0  0
7            1 0.11975911  0  1
8            1 0.13187866  1  0
9            1 0.25253765  0  1
10           1 0.52289041  1  0
attr(,"assign")
[1] 0 1 2 2
attr(,"contrasts")
attr(,"contrasts")$y
[1] "contr.treatment