r - 计算 R 中决策树中的拆分规则

Question

我正在尝试从 R 中的决策树数据框中计算每个唯一的拆分规则。例如，如果我有一个包含 4 棵树的数据框，如下所示:

df <- data.frame(
  var = c('x10', NA, NA, 
          'x10', NA, 'x7', NA, NA,
          'x5', 'x2', NA, NA, 'x9', NA, NA,
          'x5', NA, NA),
  num = c(1,1,1,
          2,2,2,2,2,
          1,1,1,1,1,1,1,
          2,2,2),
  iter = c(rep(1, 8), rep(2, 10))
)

> df
    var num iter
1   x10   1    1
2  <NA>   1    1
3  <NA>   1    1
4   x10   2    1
5  <NA>   2    1
6    x7   2    1
7  <NA>   2    1
8  <NA>   2    1
9    x5   1    2
10   x2   1    2
11 <NA>   1    2
12 <NA>   1    2
13   x9   1    2
14 <NA>   1    2
15 <NA>   1    2
16   x5   2    2
17 <NA>   2    2
18 <NA>   2    2

var 列包含拆分规则中使用的变量名称，并按深度优先 排序。因此，例如，根据该数据创建的 4 棵树将如下所示:

我试图找到一种方法来返回拆分规则中使用的每对变量的计数，但按 iter 分组。例如，如果我们查看第二棵树(即 num == 2，iter == 1)，我们可以看到 x7 split 在 x10 上。因此，当 iter == 1 时，x10:x7 对出现 1 次。

我想要的输出看起来像这样:

 allSplits count iter
1    x10:x7     1    1
2     x5:x2     1    2
3     x5:x9     1    2

关于我如何做到这一点有什么建议吗？

Answer 1

可能有一个包知道如何对这种数据框进行操作，但也许这两个手工制作的递归函数可以帮助您入门。

mkTree <- function(x, pos = 1L) {
    var <- x[pos]
    if (is.na(var)) {
        list(NA_character_, NULL, NULL, 1L)
    } else {
        node <- vector("list", 4L)
        node[[1L]] <- var
        node[[2L]] <- l <- Recall(x, pos + 1L)
        node[[3L]] <- r <- Recall(x, pos + 1L + l[[4L]])
        node[[4L]] <- 1L + l[[4L]] + r[[4L]]
        node
    }
}

tabTree <- function(tree, sep = ":") {
    x <- rep.int(NA_character_, tree[[4L]])
    pos <- 1L
    recurse <- function(subtree) {
        var1 <- subtree[[1L]]
        if (!is.na(var1)) {
            for (i in 2:3) {
                var2 <- subtree[[c(i, 1L)]]
                if (!is.na(var2)) {
                    x[pos] <<- paste0(var1, sep, var2)
                    pos <<- pos + 1L
                    Recall(subtree[[i]])
                }
            }
        }
    }
    recurse(tree)
    x <- x[!is.na(x)]
    if (length(x)) {
        x <- factor(x)
        setNames(tabulate(x), levels(x))
    } else {
        integer(0L)
    }
}

mkTree 将数据框中指定树的 var 段转换为递归列表。这些递归结构中的节点具有以下形式:

list(variable_name, left_node, right_node, subtree_size)

tabTree 采用 mkTree 结果并返回一个命名的整数向量，列出了拆分。所以你可以做

f <- function(x) tabTree(mkTree(x))
L <- tapply(df[["var"]], df[c("num", "iter")], f, simplify = FALSE)

获取一个列表矩阵，为每个 [num, iter] 对(即，对于每棵树)存储列表拆分。

L
##    iter
## num 1         2        
##   1 integer,0 integer,2
##   2 1         integer,0

L[2L, 1L]
## [[1]]
## x10:x7 
##      1 

L[1L, 2L]
## [[1]]
## x5:x2 x5:x9 
##     1     1 

您可以对 num 求和以获得每个 iter 级别的表格拆分。

g <- function(l) {
    x <- unlist(unname(l))
    tapply(x, names(x), sum)
}
apply(L, 2L, g)
## $`1`
## x10:x7 
##      1 

## $`2`
## x5:x2 x5:x9 
##     1     1