因子水平虚拟变量R

当我从列表中创建因子时，我不确定是否应该包含级别：

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

如果应该选择级别，我会选择什么？谁能澄清一下，因为这让我很困惑

我将使用此变量创建一个虚拟变量，但即使我没有收到错误消息，

$detaminia

中的所有值都是0，但有些值应该是1：

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

---

random\u merge\u患者$'MedCond\u demidenia'对于R中的哪些因素可能存在一些混淆。它们是一种以允许传统统计模型将其用作输入（例如线性建模）的形式表示非数值的方法。因子有一组固定的“级别”（对于计算机），每个级别都有一个“标签”（对于人）。但是，R不能直观地为标签提取字符串的哪些方面

考虑一下这个小案例

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

我们的原始向量长度为4，它包含3个唯一的字符串。当我们将其转换为一个因子时，R会自动创建级别并按字母顺序为这些级别分配标签（因此您的
排序
是不相关的）。请注意
x
中的第一个值如何以“wt loss”开头，而第一个级别以
sleep
开头。R创建了3个级别，因为有3个唯一的值，并接受原始字符串作为标签。在这一点上，我们的分解向量实际上只是一个整数向量，它可以将标签映射到这些整数上

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

再次注意级别（数字部分）是如何按字母顺序创建的。因此，获取字符串并将其转换为因子有助于R为线性模型自动创建虚拟变量，但如果您想设计自己的功能（例如创建“痴呆症”列），则不会提供额外的好处

对于本例中的特征工程，最好研究正则表达式。例如，如果我想创建一个为减肥编码的向量，我可以：

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


grepl
是一个逻辑grep（其中
grep
是一个搜索函数），因此它将返回
TRUE
/
FALSE
“w[^]*t loss”
搜索看起来像“w（任何非空格字符重复0次或更多次）t loss”的子字符串，因此它将匹配“wt loss”或“weight loss”
x
指定要搜索的向量

您可以为您想要设计的任意多个功能执行此操作。对痴呆症的搜索应该是
grepl（“痴呆症”，x）
。如果有多个术语基本上都是同一个意思，你可以用它们来标记一个或多个条件（例如，
grepl（“骨质疏松症，骨骼中的钙丢失”，x）
）。
你的例子对于真正的帮助来说有点少，但我建议，考虑到你的例子
MedCond
，这些因素确实是不合适的。我建议将它们保留为
字符
，并使用类似
c$MedCond\u痴呆症标记的东西，非常好的解释，非常感谢。这证实了我们的想法，并且成功了。我不能投票给你，因为我是这个网站的新手，但谢谢你。htn@coding_is_fun你可以接受答案（这也给了你声誉）。另外-您不需要第二条
ifelse
语句-如果需要，二进制将自动转换为数字1/0。尝试
TRUE+TRUE==2
wt.loss = grepl("w[^ ]*t loss",x)
wt.loss
#> [1]  TRUE FALSE  TRUE  TRUE