- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我在尝试使用分类变量作为预测变量运行一个简单的线性模型时,在 R 中遇到了一个问题。运行模型时,R抛出错误
`Error in `contrasts<-`(`*tmp*`, value = contr.funs[1 + isOF[nn]]) : `
str(minimal)
'data.frame': 330 obs. of 2 variables:
$ swls : num 5.2 NaN 7 6 NaN NaN NaN NaN NaN NaN ...
$ exp.factor: Factor w/ 2 levels "erlebt","nicht erlebt": 1 1 1 1 2 2 2 2 NA 2 ...
table(minimal$exp.factor)
erlebt nicht erlebt
148 163
lm(swls ~ exp.factor, data = minimal)
Fehler in `contrasts<-`(`*tmp*`, value = contr.funs[1 + isOF[nn]]) :
Kontraste können nur auf Faktoren mit 2 oder mehr Stufen angewendet werden
structure(list(swls = c(5.2, NaN, 7, 6, NaN, NaN, NaN, NaN, NaN,
NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN,
6.8, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, 7, NaN,
NaN, NaN, NaN, NaN, NaN, NaN, 5.8, 2.6, NaN, NaN, NaN, NaN, NaN,
NaN, 5.4, NaN, 6.4, NaN, NaN, NaN, NaN, NaN, NaN, 6.8, NaN, NaN,
NaN, NaN, NaN, NaN, 1.2, NaN, 6.2, 6.4, 5.2, NaN, 5.4, NaN, NaN,
NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, 4.6, NaN, NaN,
NaN, NaN, 5.8, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN,
NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, 5, NaN,
NaN, NaN, 6.8, NaN, NaN, NaN, 6, 7, NaN, NaN, NaN, NaN, 6, NaN,
6.4, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, 6.8, NaN, NaN,
6.8, NaN, NaN, NaN, NaN, NaN, 5, 5.6, NaN, NaN, NaN, NaN, NaN,
NaN, NaN, 3, NaN, NaN, NaN, NaN, NaN, NaN, 1.2, 4.2, NaN, 5.4,
NaN, NaN, NaN, NaN, NaN, NaN, 6.6, 5.8, NaN, NaN, NaN, 6.4, NaN,
NaN, NaN, NaN, NaN, NaN, NaN, NaN, 2.8, NaN, 4, NaN, NaN, NaN,
6, 5, NaN, NaN, NaN, 4.4, NaN, 2, NaN, NaN, NaN, NaN, NaN, NaN,
NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, 2.2, NaN, NaN,
NaN, 7, NaN, NaN, NaN, 5.6, NaN, NaN, NaN, NaN, NaN, NaN, NaN,
NaN, NaN, NaN, 6.2, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN,
5, NaN, NaN, 5.2, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN, NaN,
NaN, 5.8, NaN, NaN, 3.6, 5.6, NaN, NaN, 2.8, NaN, NaN, NaN, 6.2,
NaN, NaN, NaN, NaN, NaN, NaN, NaN, 5.8, 6.2, NaN, NaN, 5, 6.2,
NaN, NaN, NaN, NaN, NaN, NaN, 4.8, NaN, NaN, NaN, NaN, 4.8, NaN,
NaN, NaN, NaN, NaN, NaN, 4.4, NaN, NaN, 3, 5.2, NaN, 3.8, NaN,
NaN, NaN, NaN, 3, NaN, NaN, NaN, NaN, 1.6, NaN, NaN, 6.6, NaN,
NaN, NaN, NaN, NaN, NaN, NaN, NaN), exp.factor = structure(c(1L,
1L, 1L, 1L, 2L, 2L, 2L, 2L, NA, 2L, 2L, NA, 2L, 2L, NA, 2L, 1L,
2L, 2L, 2L, NA, 2L, 1L, NA, 2L, 2L, 2L, 2L, 2L, 1L, 2L, 2L, 2L,
1L, 1L, NA, NA, 1L, 1L, 2L, 1L, 1L, 1L, 2L, 2L, 1L, NA, 2L, 1L,
1L, 2L, 1L, 2L, 2L, 2L, 1L, 2L, NA, 1L, 1L, 1L, 2L, 2L, 1L, 2L,
1L, 2L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 1L, 2L, 2L, NA, 1L, 2L,
2L, 2L, 2L, 1L, 2L, 2L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 2L, 2L, 2L,
1L, 2L, 1L, 2L, NA, 2L, 1L, NA, 1L, 1L, 1L, 2L, 2L, NA, 1L, 2L,
1L, 1L, 1L, 2L, 2L, 2L, 1L, 1L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L,
1L, 1L, NA, 1L, 2L, 2L, 1L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 2L, 1L,
1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 1L,
2L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 1L, 2L, 2L, 1L, 1L, 1L, 2L, 2L,
1L, NA, 2L, 2L, 2L, 1L, 2L, 1L, 1L, 1L, 1L, 1L, 2L, 1L, 2L, 1L,
1L, 1L, 1L, 2L, 1L, 1L, 1L, 2L, 2L, 1L, 2L, 2L, 1L, 1L, 2L, 2L,
2L, 2L, 2L, 1L, 2L, 1L, 1L, 1L, 1L, 2L, 2L, 1L, NA, 2L, 2L, 1L,
2L, NA, 2L, 1L, 2L, 1L, 2L, 2L, 2L, 1L, 1L, 2L, 2L, 1L, 2L, 1L,
1L, 1L, 2L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L,
1L, 2L, 1L, 2L, 2L, 1L, 1L, 2L, 2L, 1L, 2L, 2L, 2L, 1L, 2L, 1L,
NA, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L,
1L, 1L, 2L, 2L, 2L, 1L, 1L, 2L, 2L, 2L, NA, 1L, 2L, 1L, 1L, 1L,
1L, 1L, 2L, 1L, 2L, 2L, 1L, 2L, 1L, 1L, 2L, 2L, 1L, 1L, 2L, 2L,
1L, 2L, 2L, 1L, 2L, 2L, 2L, 2L, 2L), .Label = c("erlebt", "nicht erlebt"
), class = "factor")), .Names = c("swls", "exp.factor"), row.names = c(7L,
9L, 19L, 36L, 50L, 63L, 67L, 75L, 84L, 85L, 94L, 100L, 109L,
122L, 128L, 135L, 137L, 145L, 156L, 158L, 163L, 182L, 188L, 198L,
204L, 213L, 221L, 240L, 251L, 254L, 258L, 261L, 271L, 284L, 286L,
295L, 308L, 309L, 313L, 319L, 334L, 340L, 344L, 351L, 354L, 365L,
372L, 382L, 385L, 391L, 398L, 404L, 427L, 431L, 435L, 438L, 441L,
452L, 468L, 469L, 474L, 483L, 486L, 493L, 502L, 508L, 513L, 519L,
524L, 528L, 537L, 543L, 546L, 557L, 572L, 578L, 591L, 606L, 611L,
613L, 624L, 633L, 640L, 642L, 651L, 662L, 667L, 672L, 673L, 696L,
703L, 709L, 718L, 722L, 732L, 735L, 747L, 749L, 753L, 770L, 780L,
787L, 799L, 801L, 812L, 818L, 825L, 838L, 864L, 874L, 887L, 896L,
897L, 906L, 909L, 920L, 923L, 929L, 944L, 959L, 964L, 973L, 978L,
986L, 991L, 996L, 1001L, 1008L, 1014L, 1017L, 1033L, 1040L, 1046L,
1067L, 1075L, 1085L, 1090L, 1100L, 1102L, 1113L, 1144L, 1145L,
1150L, 1155L, 1158L, 1165L, 1175L, 1180L, 1189L, 1196L, 1198L,
1203L, 1212L, 1217L, 1230L, 1235L, 1257L, 1264L, 1266L, 1279L,
1285L, 1290L, 1299L, 1308L, 1320L, 1331L, 1338L, 1345L, 1350L,
1366L, 1376L, 1381L, 1400L, 1403L, 1406L, 1409L, 1419L, 1424L,
1456L, 1462L, 1467L, 1469L, 1490L, 1499L, 1501L, 1509L, 1515L,
1518L, 1524L, 1531L, 1533L, 1538L, 1560L, 1571L, 1573L, 1578L,
1587L, 1600L, 1602L, 1624L, 1626L, 1631L, 1637L, 1646L, 1656L,
1661L, 1667L, 1677L, 1683L, 1692L, 1694L, 1699L, 1705L, 1712L,
1714L, 1726L, 1739L, 1741L, 1750L, 1763L, 1768L, 1780L, 1795L,
1811L, 1816L, 1821L, 1830L, 1864L, 1869L, 1883L, 1887L, 1891L,
1904L, 1914L, 1917L, 1928L, 1934L, 1939L, 1941L, 1948L, 1950L,
1961L, 1969L, 1975L, 1982L, 1992L, 1998L, 2004L, 2019L, 2025L,
2040L, 2041L, 2046L, 2051L, 2068L, 2083L, 2085L, 2090L, 2098L,
2103L, 2109L, 2116L, 2124L, 2131L, 2133L, 2138L, 2144L, 2154L,
2160L, 2161L, 2183L, 2188L, 2190L, 2203L, 2218L, 2221L, 2229L,
2234L, 2243L, 2252L, 2262L, 2265L, 2275L, 2280L, 2282L, 2286L,
2289L, 2299L, 2308L, 2309L, 2319L, 2332L, 2335L, 2350L, 2353L,
2360L, 2363L, 2366L, 2369L, 2376L, 2401L, 2406L, 2415L, 2426L,
2429L, 2436L, 2447L, 2453L, 2459L, 2476L, 2478L, 2486L, 2492L,
2499L, 2501L, 2511L, 2517L, 2522L, 2528L, 2541L, 2547L, 2552L,
2554L, 2557L, 2566L, 2580L, 2587L, 2594L, 2603L, 2608L), class = "data.frame")
R version 3.1.0 (2014-04-10)
Platform: x86_64-pc-linux-gnu (64-bit)
locale:
[1] LC_CTYPE=de_DE.UTF-8 LC_NUMERIC=C LC_TIME=de_DE.UTF-8 LC_COLLATE=de_DE.UTF-8 LC_MONETARY=de_DE.UTF-8 LC_MESSAGES=de_DE.UTF-8
[7] LC_PAPER=de_DE.UTF-8 LC_NAME=C LC_ADDRESS=C LC_TELEPHONE=C LC_MEASUREMENT=de_DE.UTF-8 LC_IDENTIFICATION=C
attached base packages:
[1] splines grid stats graphics grDevices utils datasets methods base
other attached packages:
[1] foreign_0.8-61 lavaan_0.5-15 plyr_1.8.1 xtable_1.7-3 Hmisc_3.14-4 Formula_1.1-1 survival_2.37-7 lattice_0.20-29 Lambda4_3.0 MBESS_3.3.3
loaded via a namespace (and not attached):
[1] cluster_1.15.2 latticeExtra_0.6-26 MASS_7.3-32 mnormt_1.4-7 pbivnorm_0.5-1 quadprog_1.5-5 RColorBrewer_1.0-5 Rcpp_0.11.1
[9] stats4_3.1.0 tools_3.1.0
最佳答案
问题是,一旦从数据集中省略了 NA 值,就没有任何“nicht erlebt”观察结果了:
summary(na.omit(minimal))
swls exp.factor
Min. :1.200 erlebt :64
1st Qu.:4.400 nicht erlebt: 0
Median :5.500
Mean :5.119
3rd Qu.:6.200
Max. :7.000
lm
将模型拟合到只有一个(剩余)水平的因子时会遇到问题......
exp.factor
的交叉表来推断出这一点。和
is.na()
的回应...
with(minimal,table(exp.factor,is.na(swls)))
exp.factor FALSE TRUE
erlebt 64 84
nicht erlebt 0 163
关于r - `contrasts<-` (`*tmp*` 中的错误,值 = contr.funs[1 + isOF[nn]]) 具有明显正确的数据集,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/23385219/
这是代码片段。 请说出这种用小内存存储大数据的算法是什么。 public static void main(String[] args) { long longValue = 21474836
所以我使用 imap 从 gmail 和 outlook 接收电子邮件。 Gmail 像这样编码 =?UTF-8?B?UmU6IM69zq3OvyDOtc68zrHOuc67IG5ldyBlbWFpb
很久以前就学会了 C 代码;想用 Scheme 尝试一些新的和不同的东西。我正在尝试制作一个接受两个参数并返回两者中较大者的过程,例如 (define (larger x y) (if (> x
Azure 恢复服务保管库有两个备份配置选项 - LRS 与 GRS 这是一个有关 Azure 恢复服务保管库的问题。 当其驻留区域发生故障时,如何处理启用异地冗余的恢复服务保管库?如果未为恢复服务启
说,我有以下实体: @Entity public class A { @Id @GeneratedValue private Long id; @Embedded private
我有下一个问题。 我有下一个标准: criteria.add(Restrictions.in("entity.otherEntity", getOtherEntitiesList())); 如果我的
如果这是任何类型的重复,我会提前申请,但我找不到任何可以解决我的具体问题的内容。 这是我的程序: import java.util.Random; public class CarnivalGame{
我目前正在使用golang创建一个聚合管道,在其中使用“$ or”运算符查询文档。 结果是一堆需要分组的未分组文档,这样我就可以进入下一阶段,找到两个数据集之间的交集。 然后将其用于在单独的集合中进行
是否可以在正则表达式中创建 OR 条件。 我正在尝试查找包含此类模式的文件名列表的匹配项 第一个案例 xxxxx-hello.file 或者案例二 xxxx-hello-unasigned.file
该程序只是在用户输入行数时创建菱形的形状,因此它有 6 个 for 循环; 3 个循环创建第一个三角形,3 个循环创建另一个三角形,通过这 2 个三角形和 6 个循环,我们得到了一个菱形,这是整个程序
我有一个像这样的查询字符串 www.google.com?Department=Education & Finance&Department=Health 我有这些 li 标签,它们的查询字符串是这样
我有一个带有静态构造函数的类,我用它来读取 app.config 值。如何使用不同的配置值对类进行单元测试。我正在考虑在不同的应用程序域中运行每个测试,这样我就可以为每个测试执行静态构造函数 - 但我
我正在寻找一个可以容纳多个键的容器,如果我为其中一个键值输入保留值(例如 0),它会被视为“或”搜索。 map, int > myContainer; myContainer.insert(make_
我正在为 Web 应用程序创建数据库,并正在寻找一些建议来对可能具有多种类型的单个实体进行建模,每种类型具有不同的属性。 作为示例,假设我想为“数据源”对象创建一个关系模型。所有数据源都会有一些共享属
(1) =>CREATE TABLE T1(id BIGSERIAL PRIMARY KEY, name TEXT); CREATE TABLE (2) =>INSERT INTO T1 (name)
我不确定在使用别名时如何解决不明确的列引用。 假设有两个表,a 和 b,它们都有一个 name 列。如果我加入这两个表并为结果添加别名,我不知道如何为这两个表引用 name 列。我已经尝试了一些变体,
我的查询是: select * from table where id IN (1,5,4,3,2) 我想要的与这个顺序完全相同,不是从1...5,而是从1,5,4,3,2。我怎样才能做到这一点? 最
我正在使用 C# 代码执行动态生成的 MySQL 查询。抛出异常: CREATE TABLE dump ("@employee_OID" VARCHAR(50)); "{"You have an er
我有日期 2016-03-30T23:59:59.000000+0000。我可以知道它的格式是什么吗?因为如果我使用 yyyy-MM-dd'T'HH:mm:ss.SSS,它会抛出异常 最佳答案 Sim
我有一个示例模式,它的 SQL Fiddle 如下: http://sqlfiddle.com/#!2/6816b/2 这个 fiddle 只是根据 where 子句中的条件查询示例数据库,如下所示:
我是一名优秀的程序员,十分优秀!