Стандартизировать столбцы данных в R

У меня есть набор данных, spamкоторый называется 58 столбцов и около 3500 строк данных, связанных со спам-сообщениями.

Я планирую запустить некоторую линейную регрессию для этого набора данных в будущем, но я хотел бы сделать некоторую предварительную обработку заранее и стандартизировать столбцы, чтобы иметь нулевое среднее значение и единичную дисперсию.

Мне сказали, что лучший способ это сделать с помощью R, поэтому я хотел бы спросить, как мне добиться нормализации с помощью R ? Я уже правильно загрузил данные и просто ищу пакеты или методы для выполнения этой задачи.

Я должен предположить, что вы хотели сказать, что вам нужно среднее значение 0 и стандартное отклонение 1. Если ваши данные находятся в кадре данных и все столбцы являются числовыми, вы можете просто вызвать scaleфункцию для данных, чтобы сделать то, что вы хотите.

dat <- data.frame(x = rnorm(10, 30, .2), y = runif(10, 3, 5))
scaled.dat <- scale(dat)

# check that we get mean of 0 and sd of 1
colMeans(scaled.dat)  # faster version of apply(scaled.dat, 2, mean)
apply(scaled.dat, 2, sd)

Использование встроенных функций классно. Понравился этот кот:

Понимая, что вопрос старый и один ответ принят, я предоставлю другой для справки.

scaleограничен тем, что он масштабирует все переменные . Приведенное ниже решение позволяет масштабировать только определенные имена переменных, сохраняя другие переменные без изменений (и имена переменных могут генерироваться динамически):

library(dplyr)

set.seed(1234)
dat <- data.frame(x = rnorm(10, 30, .2), 
                  y = runif(10, 3, 5),
                  z = runif(10, 10, 20))
dat

dat2 <- dat %>% mutate_at(c("y", "z"), ~(scale(.) %>% as.vector))
dat2

что дает мне это:

> dat
          x        y        z
1  29.75859 3.633225 14.56091
2  30.05549 3.605387 12.65187
3  30.21689 3.318092 13.04672
4  29.53086 3.079992 15.07307
5  30.08582 3.437599 11.81096
6  30.10121 4.621197 17.59671
7  29.88505 4.051395 12.01248
8  29.89067 4.829316 12.58810
9  29.88711 4.662690 19.92150
10 29.82199 3.091541 18.07352

и

> dat2 <- dat %>% mutate_at(c("y", "z"), ~(scale(.) %>% as.vector))
> dat2
          x          y           z
1  29.75859 -0.3004815 -0.06016029
2  30.05549 -0.3423437 -0.72529604
3  30.21689 -0.7743696 -0.58772361
4  29.53086 -1.1324181  0.11828039
5  30.08582 -0.5946582 -1.01827752
6  30.10121  1.1852038  0.99754666
7  29.88505  0.3283513 -0.94806607
8  29.89067  1.4981677 -0.74751378
9  29.88711  1.2475998  1.80753470
10 29.82199 -1.1150515  1.16367556

РЕДАКТИРОВАТЬ 1 (2016) : Адресовано замечание Джулиана: вывод scale- матрица Nx1, поэтому в идеале мы должны добавить, as.vectorчтобы преобразовать тип матрицы обратно в векторный тип. Спасибо, Джулиан!

РЕДАКТИРОВАТЬ 2 (2019) : Цитировать комментарий Дуччо А.: Для последней версии dplyr (версия 0.8) вам нужно изменить dplyr :: funcs со списком, напримерdat %>% mutate_each_(list(~scale(.) %>% as.vector), vars=c("y","z"))

РЕДАКТИРОВАТЬ 3 (2020) : Благодаря @mj_whales: старое решение устарело, и теперь мы должны использовать mutate_at.

Это 3 года. Тем не менее, я чувствую, что должен добавить следующее:

Наиболее распространенной нормализацией является z-преобразование , где вы вычитаете среднее значение и делите на стандартное отклонение вашей переменной. Результат будет иметь среднее значение = 0 и SD = 1.

Для этого вам не нужен пакет.

zVar <- (myVar - mean(myVar)) / sd(myVar)

Вот и все.

Пакет 'Caret' предоставляет методы для предварительной обработки данных (например, центрирование и масштабирование). Вы также можете использовать следующий код:

library(caret)
# Assuming goal class is column 10
preObj <- preProcess(data[, -10], method=c("center", "scale"))
newData <- predict(preObj, data[, -10])

Более подробная информация: http://www.inside-r.org/node/86978

Когда я использовал решение, сформулированное Дэйсоном, вместо того, чтобы в результате получить фрейм данных, я получил вектор чисел (масштабированные значения моего df).

Если у кого-то возникла такая же проблема, вы должны добавить as.data.frame () в код, например:

df.scaled <- as.data.frame(scale(df))

Я надеюсь, что это будет полезно для людей, имеющих такую ​​же проблему!

Вы можете легко нормализовать данные, также используя функцию data.Normalization в кластере clusterSim. Это обеспечивает другой метод нормализации данных.

    data.Normalization (x,type="n0",normalization="column")

аргументы

тип нормализации x,
вектор, матрица или тип набора данных
: n0 - без нормализации

n1 - стандартизация ((х-среднее) / SD)

n2 - позиционная стандартизация ((х-медиана) / безумная)

n3 - единица измерения ((среднее значение по х) / диапазон)

n3a - позиционная унификация ((х-медиана) / диапазон)

n4 - унификация с нулевым минимумом ((x-min) / диапазон)

n5 - нормализация в диапазоне <-1,1> ((среднее значение x) / максимальное значение (среднее значение x)))

n5a - позиционная нормализация в диапазоне <-1,1> ((х-медиана) / макс (абс (х-медиана)))

n6 - коэффициент преобразования (х / сд)

n6a - позиционное коэффициентное преобразование (x / mad)

n7 - коэффициент преобразования (х / диапазон)

n8 - коэффициент преобразования (х / макс)

n9 - коэффициент преобразования (х / среднее)

n9a - позиционное коэффициентное преобразование (х / медиана)

n10 - коэффициент преобразования (х / сумма)

n11 - коэффициент преобразования (x / sqrt (SSQ))

n12 - нормализация ((x-среднее) / sqrt (сумма ((x-среднее) ^ 2)))

n12a - позиционная нормализация ((x-медиана) / sqrt (сумма ((x-медиана) ^ 2)))

n13 - нормализация с нулем, являющимся центральной точкой ((x-midrange) / (range / 2))

нормализация
"столбец" - нормализация по переменной, "строка" - нормализация по объекту

В dplyrверсии 0.7.4 все переменные можно масштабировать с помощью mutate_all():

library(dplyr)
#> 
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:stats':
#> 
#>     filter, lag
#> The following objects are masked from 'package:base':
#> 
#>     intersect, setdiff, setequal, union
library(tibble)

set.seed(1234)
dat <- tibble(x = rnorm(10, 30, .2), 
              y = runif(10, 3, 5),
              z = runif(10, 10, 20))

dat %>% mutate_all(scale)
#> # A tibble: 10 x 3
#>         x      y       z
#>     <dbl>  <dbl>   <dbl>
#>  1 -0.827 -0.300 -0.0602
#>  2  0.663 -0.342 -0.725 
#>  3  1.47  -0.774 -0.588 
#>  4 -1.97  -1.13   0.118 
#>  5  0.816 -0.595 -1.02  
#>  6  0.893  1.19   0.998 
#>  7 -0.192  0.328 -0.948 
#>  8 -0.164  1.50  -0.748 
#>  9 -0.182  1.25   1.81  
#> 10 -0.509 -1.12   1.16

Конкретные переменные могут быть исключены с помощью mutate_at():

dat %>% mutate_at(scale, .vars = vars(-x))
#> # A tibble: 10 x 3
#>        x      y       z
#>    <dbl>  <dbl>   <dbl>
#>  1  29.8 -0.300 -0.0602
#>  2  30.1 -0.342 -0.725 
#>  3  30.2 -0.774 -0.588 
#>  4  29.5 -1.13   0.118 
#>  5  30.1 -0.595 -1.02  
#>  6  30.1  1.19   0.998 
#>  7  29.9  0.328 -0.948 
#>  8  29.9  1.50  -0.748 
#>  9  29.9  1.25   1.81  
#> 10  29.8 -1.12   1.16

Создано в 2018-04-24 пакетом представлением (v0.2.0).

Опять же, хотя это старый вопрос, он очень актуален! И я нашел простой способ нормализовать определенные столбцы без необходимости каких-либо пакетов:

normFunc <- function(x){(x-mean(x, na.rm = T))/sd(x, na.rm = T)}

Например

x<-rnorm(10,14,2)
y<-rnorm(10,7,3)
z<-rnorm(10,18,5)
df<-data.frame(x,y,z)

df[2:3] <- apply(df[2:3], 2, normFunc)

Вы увидите, что столбцы y и z нормализованы. Пакеты не нужны :-)

Шкала может использоваться как для полного кадра данных, так и для конкретных столбцов. Для определенных столбцов можно использовать следующий код:

trainingSet[, 3:7] = scale(trainingSet[, 3:7]) # For column 3 to 7
trainingSet[, 8] = scale(trainingSet[, 8]) # For column 8 

Полный кадр данных

trainingSet <- scale(trainingSet)

dplyrПакет имеет две функции , которые делают это.

> require(dplyr)

Чтобы изменить определенные столбцы таблицы данных, вы можете использовать функцию mutate_at(). Чтобы изменить все столбцы, вы можете использовать mutate_all.

Ниже приведен краткий пример использования этих функций для стандартизации данных.

Мутируйте определенные столбцы:

dt = data.table(a = runif(3500), b = runif(3500), c = runif(3500))
dt = data.table(dt %>% mutate_at(vars("a", "c"), scale)) # can also index columns by number, e.g., vars(c(1,3))

> apply(dt, 2, mean)
            a             b             c 
 1.783137e-16  5.064855e-01 -5.245395e-17 

> apply(dt, 2, sd)
        a         b         c 
1.0000000 0.2906622 1.0000000 

Мутировать все столбцы:

dt = data.table(a = runif(3500), b = runif(3500), c = runif(3500))
dt = data.table(dt %>% mutate_all(scale))

> apply(dt, 2, mean)
            a             b             c 
-1.728266e-16  9.291994e-17  1.683551e-16 

> apply(dt, 2, sd)
a b c 
1 1 1 

До того, как мне удалось найти эту ветку, у меня была такая же проблема. У меня были зависимые от пользователя типы столбцов, поэтому я написал forцикл, просматривая их и получая необходимые столбцы scaled. Возможно, есть лучшие способы сделать это, но это решило проблему просто отлично:

 for(i in 1:length(colnames(df))) {
        if(class(df[,i]) == "numeric" || class(df[,i]) == "integer") {
            df[,i] <- as.vector(scale(df[,i])) }
        }

as.vectorэто необходимая часть, потому что оказалось, scaleчто rownames x 1матрица, которая обычно не то, что вы хотите иметь в своем data.frame.

Используйте пакет "Recommenderlab". Загрузите и установите пакет. Этот пакет имеет команду «Нормализовать» во встроенном. Это также позволяет вам выбрать один из многих методов нормализации, а именно «центр» или «Z-счет». Следуйте следующему примеру:

## create a matrix with ratings
m <- matrix(sample(c(NA,0:5),50, replace=TRUE, prob=c(.5,rep(.5/6,6))),nrow=5, ncol=10, dimnames = list(users=paste('u', 1:5, sep=&rdquo;), items=paste('i', 1:10, sep=&rdquo;)))

## do normalization
r <- as(m, "realRatingMatrix")
#here, 'centre' is the default method
r_n1 <- normalize(r) 
#here "Z-score" is the used method used
r_n2 <- normalize(r, method="Z-score")

r
r_n1
r_n2

## show normalized data
image(r, main="Raw Data")
image(r_n1, main="Centered")
image(r_n2, main="Z-Score Normalization")

Функция нормализации из пакета BBMisc была для меня подходящим инструментом, поскольку она может работать со значениями NA.

Вот как это использовать:

Учитывая следующий набор данных,

    ASR_API     <- c("CV",  "F",    "IER",  "LS-c", "LS-o")
    Human       <- c(NA,    5.8,    12.7,   NA, NA)
    Google      <- c(23.2,  24.2,   16.6,   12.1,   28.8)
    GoogleCloud <- c(23.3,  26.3,   18.3,   12.3,   27.3)
    IBM     <- c(21.8,  47.6,   24.0,   9.8,    25.3)
    Microsoft   <- c(29.1,  28.1,   23.1,   18.8,   35.9)
    Speechmatics    <- c(19.1,  38.4,   21.4,   7.3,    19.4)
    Wit_ai      <- c(35.6,  54.2,   37.4,   19.2,   41.7)
    dt     <- data.table(ASR_API,Human, Google, GoogleCloud, IBM, Microsoft, Speechmatics, Wit_ai)
> dt
   ASR_API Human Google GoogleCloud  IBM Microsoft Speechmatics Wit_ai
1:      CV    NA   23.2        23.3 21.8      29.1         19.1   35.6
2:       F   5.8   24.2        26.3 47.6      28.1         38.4   54.2
3:     IER  12.7   16.6        18.3 24.0      23.1         21.4   37.4
4:    LS-c    NA   12.1        12.3  9.8      18.8          7.3   19.2
5:    LS-o    NA   28.8        27.3 25.3      35.9         19.4   41.7

Нормированные значения можно получить так:

> dtn <- normalize(dt, method = "standardize", range = c(0, 1), margin = 1L, on.constant = "quiet")
> dtn
   ASR_API      Human     Google GoogleCloud         IBM  Microsoft Speechmatics      Wit_ai
1:      CV         NA  0.3361245   0.2893457 -0.28468670  0.3247336  -0.18127203 -0.16032655
2:       F -0.7071068  0.4875320   0.7715885  1.59862532  0.1700986   1.55068347  1.31594762
3:     IER  0.7071068 -0.6631646  -0.5143923 -0.12409420 -0.6030768   0.02512682 -0.01746131
4:    LS-c         NA -1.3444981  -1.4788780 -1.16064578 -1.2680075  -1.24018782 -1.46198764
5:    LS-o         NA  1.1840062   0.9323361 -0.02919864  1.3762521  -0.15435044  0.32382788

где ручной расчетный метод просто игнорирует колмуны, содержащие НК:

> dt %>% mutate(normalizedHuman = (Human - mean(Human))/sd(Human)) %>% 
+ mutate(normalizedGoogle = (Google - mean(Google))/sd(Google)) %>% 
+ mutate(normalizedGoogleCloud = (GoogleCloud - mean(GoogleCloud))/sd(GoogleCloud)) %>% 
+ mutate(normalizedIBM = (IBM - mean(IBM))/sd(IBM)) %>% 
+ mutate(normalizedMicrosoft = (Microsoft - mean(Microsoft))/sd(Microsoft)) %>% 
+ mutate(normalizedSpeechmatics = (Speechmatics - mean(Speechmatics))/sd(Speechmatics)) %>% 
+ mutate(normalizedWit_ai = (Wit_ai - mean(Wit_ai))/sd(Wit_ai))
  ASR_API Human Google GoogleCloud  IBM Microsoft Speechmatics Wit_ai normalizedHuman normalizedGoogle
1      CV    NA   23.2        23.3 21.8      29.1         19.1   35.6              NA        0.3361245
2       F   5.8   24.2        26.3 47.6      28.1         38.4   54.2              NA        0.4875320
3     IER  12.7   16.6        18.3 24.0      23.1         21.4   37.4              NA       -0.6631646
4    LS-c    NA   12.1        12.3  9.8      18.8          7.3   19.2              NA       -1.3444981
5    LS-o    NA   28.8        27.3 25.3      35.9         19.4   41.7              NA        1.1840062
  normalizedGoogleCloud normalizedIBM normalizedMicrosoft normalizedSpeechmatics normalizedWit_ai
1             0.2893457   -0.28468670           0.3247336            -0.18127203      -0.16032655
2             0.7715885    1.59862532           0.1700986             1.55068347       1.31594762
3            -0.5143923   -0.12409420          -0.6030768             0.02512682      -0.01746131
4            -1.4788780   -1.16064578          -1.2680075            -1.24018782      -1.46198764
5             0.9323361   -0.02919864           1.3762521            -0.15435044       0.32382788

(нормализован человек, составлен список НС ...)

Что касается выбора конкретных столбцов для расчета, можно использовать общий метод, например, такой:

data_vars <- df_full %>% dplyr::select(-ASR_API,-otherVarNotToBeUsed)
meta_vars <- df_full %>% dplyr::select(ASR_API,otherVarNotToBeUsed)
data_varsn <- normalize(data_vars, method = "standardize", range = c(0, 1), margin = 1L, on.constant = "quiet")
dtn <- cbind(meta_vars,data_varsn)

@BBKim в значительной степени дал лучший ответ, но это можно сделать короче. Я удивлен, что никто еще не придумал это.

dat <- data.frame(x = rnorm(10, 30, .2), y = runif(10, 3, 5)) dat <- apply(dat, 2, function(x) (x - mean(x)) / sd(x))