R : convert discrete column into matrix of logical values

Question

我想将离散(标识符)变量转换为一系列逻辑列，以便我可以将该变量用作逻辑回归函数(和其他函数)中的特征，而我无法混合连续值和离散值。

我在数据框中有一个因子列，我想将该列转换为逻辑值的列矩阵(1..“级别数”)，例如:

my_labels=c("a","b","c","d","e","f")
my_tally=c(1,1,3,2,3,4,5,1)
my_tally=factor(my_tally, levels=c(1:6), labels=my_labels)
summary(my_tally)

expected_output=c(1,0,0,0,0,0,     #1
                  1,0,0,0,0,0,     #1
                  0,0,1,0,0,0,     #3
                  0,1,0,0,0,0,     #2
                  0,0,1,0,0,0,     #3
                  0,0,0,1,0,0,     #4
                  0,0,0,0,1,0,     #5
                  1,0,0,0,0,0      #1
                  )

expected_output=matrix(expected_output, 
                       nrow=length(my_tally), 
                       ncol=length(levels(my_tally)),
                       byrow=TRUE
                       )

expected_output
colSums(expected_output)

对于产生预期输出的“快速”函数有什么建议吗？这是一个大数据问题(700 个离散可能性，1M 个观察值)。

Answer 1

这里有 2 种解决方案，一种使用基本 R，在较小的数据集上速度更快，另一种使用 Matrix 包中的稀疏矩阵，在较大的数据集上速度非常快。

创建仅用 0 填充的矩阵

mat <- matrix(0, nrow=length(my_tally), ncol=length(levels(my_tally)))

在适当的情况下使用索引分配 1:

mat[cbind(1:length(my_tally), as.numeric(my_tally))] <- 1
#     [,1] [,2] [,3] [,4] [,5] [,6]
#[1,]    1    0    0    0    0    0
#[2,]    1    0    0    0    0    0
#[3,]    0    0    1    0    0    0
#[4,]    0    1    0    0    0    0
#[5,]    0    0    1    0    0    0
#[6,]    0    0    0    1    0    0
#[7,]    0    0    0    0    1    0
#[8,]    1    0    0    0    0    0

colSums(mat)
#[1] 3 1 2 1 1 0

方法#2:稀疏矩阵

library(Matrix)
colSums(sparseMatrix(i=1:length(my_tally), j=as.numeric(my_tally),
    dims=c(length(my_tally), length(levels(my_tally)))))
#[1] 3 1 2 1 1 0

以下是针对较大样本数据集(260 个级别，100,000 个元素)的一些基准测试，您可以在其中真正看到使用稀疏矩阵的好处:

# Sample data
my_labels <- c(LETTERS, letters, paste0(LETTERS, letters), paste0(letters, LETTERS),
            paste0(letters, letters, letters), paste0(LETTERS, LETTERS, LETTERS),
            paste0(LETTERS, letters, LETTERS), paste0(letters, LETTERS, letters),
            paste0(LETTERS, letters, letters), paste0(letters, LETTERS, LETTERS))
my_tally <- sample(1:260, 100000, replace=TRUE)
my_tally <- factor(my_tally, levels=c(1:260), labels=my_labels)

# Benchmarks
library(microbenchmark)
microbenchmark(
  Robert <- colSums(table(1:length(my_tally),my_tally)),
  Frank1 <- {mat <- matrix(0, nrow=length(my_tally), ncol=length(levels(my_tally)))
      mat[cbind(1:length(my_tally), as.numeric(my_tally))] <- 1
      colSums(mat)},
  Frank2 <- colSums(sparseMatrix(i=1:length(my_tally), j=as.numeric(my_tally),
      dims=c(length(my_tally), length(levels(my_tally))))),
  Khashaa <- colSums(diag(length(my_labels))[my_tally, ])
  )

                lq       mean     median         uq      max neval  cld
Robert  444.625026 486.130804 461.653480 548.755603 632.1418   100    d
Frank1  328.947431 358.538855 337.136012 360.727606 458.2305   100   c 
Frank2    4.241506   8.997434   4.354615   4.519896 135.3001   100 a   
Khashaa 224.675094 256.337639 237.905714 260.163725 375.5642   100  b