注意:我已更新问题以反射(reflect)数据中的特定模式。
假设我有两个向量。
names_data <- c('A', 'B', 'C', 'D', 'E', 'F')
levels_selected <- c('A1','A3', 'Blow', 'Bhigh', 'D(4.88e+03,9.18+e+04]', 'F')
我想知道如何获取向量、数据框、列表或其他任何东西,以检查级别向量并返回选择了哪些变量的级别。有句话说:
A: 1, 3
B: low, high
D: (4.88e+03,9.18e+04]
最终,有一个数据框
X
其中names_data = names(data)
和 levels_selected
是每个变量中的一些水平,但不是全部。最后我想做的是使用 model.matrix
制作一个矩阵(例如,随机森林)我只想在 levels_selected
中包含变量和级别.有没有一种直接的方法呢?
最佳答案
我们可以在“levels_selected”('grp')中保留包含“names_data”的子字符串后创建一个分组变量,split
使用 'grp' 删除前缀的子字符串得到 list
.
grp <- sub(paste0("^(", paste(names_data, collapse="|"), ").*"), "\\1", levels_selected)
value <- gsub(paste(names_data, collapse="|"), "",
levels_selected)
lst <- split(value, grp)
lst
#$A
#[1] "1" "3"
#$B
#[1] "low" "high"
#$D
#[1] "x"
如果我们的意思是这样的
library(qdapTools)
mtabulate(lst)
# 1 3 high low x
#A 1 1 0 0 0
#B 0 0 1 1 0
#D 0 0 0 0 1
或者另一种选择是使用
strsplit
d1 <- as.data.frame(do.call(rbind, strsplit(levels_selected,
paste0("(?<=(", paste(names_data, collapse="|"), "))"),
perl=TRUE)), stringsAsFactors=FALSE)
aggregate(V2~V1, d1, FUN= toString)
# V1 V2
#1 A 1, 3
#2 B low, high
#3 D x
可能还有
model.matrix
将是model.matrix(~V1+V2-1, d1)
更新
通过使用 OP 的新示例
d1 <- as.data.frame(do.call(rbind, strsplit(levels_selected,
paste0("(?<=(", paste(names_data, collapse="|"), "))"),
perl=TRUE)), stringsAsFactors=FALSE)
split(d1$V2, d1$V1)
#$A
#[1] "1" "3"
#$B
#[1] "low" "high"
#$D
#[1] "(4.88e+03,9.18+e+04]"
它也在使用第一种方法。
更新2
如果'names_data'中的元素后面没有字符,我们可以过滤掉它们
lst <- strsplit(levels_selected, paste0("(?<=(", paste(names_data,
collapse="|"), "))"), perl = TRUE)
d2 <- as.data.frame(do.call(rbind,lst[lengths(lst)==2]), stringsAsFactors=FALSE)
split(d2$V2, d2$V1)
#$A
#[1] "1" "3"
#$B
#[1] "low" "high"
#$D
#[1] "(4.88e+03,9.18+e+04]"
关于r - 在 R 中,比较两个字符串列表,在第二个列表中找到第一个列表的每个元素的部分,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37234543/