标准化R中的数据列


209

我有一个数据集spam,其中包含58列和大约3500行与垃圾邮件相关的数据。

我计划将来在此数据集上运行一些线性回归,但我想事先进行一些预处理,并将列标准化为均值和单位方差为零。

有人告诉我最好的方法是使用R,所以我想问一下如何使用R实现归一化?我已经正确加载了数据,我只是在寻找一些软件包或方法来执行此任务。

Answers:


533

我必须假设您要说的是,您希望平均值为0,标准偏差为1。如果数据在数据框中,并且所有列都是数字,则可以简单地scale对数据调用函数以执行所需的操作。

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)

使用内置函数很经典。像这只猫:

在此处输入图片说明


24
是的,我的错误我的意思是0。那是一只非常优雅的猫
Hoser 2013年

8
+1使用申请可能会很慢也是这样的肥猫:)(这里colMeans)
agstudy

1
@agstudy足够公平。我应该养成更多使用colMeans / colSums的习惯。我想除非我处于真正重要的情况,否则我不会考虑它的
戴森

137
这个网站需要更多的猫+1
LoveMeow 2014年

35
警告:标度还会将数据帧转换为矩阵
朱利安·卡尔斯

88

意识到这个问题很旧并且一个答案被接受,我将提供另一个答案供参考。

scale它受缩放所有变量的限制。下面的解决方案允许仅缩放特定的变量名称,同时保留其他变量不变(并且可以动态生成变量名称):

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

这给了我这个:

> 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

> 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

编辑1(2016):解决了朱利安 Julian)的评论:的输出scale是Nx1矩阵,因此理想情况下,我们应该添加一个as.vector将矩阵类型转换回向量类型。谢谢朱利安!

编辑2(2019):引用Duccio A.的评论:对于最新的dplyr(版本0.8),您需要使用列表更改dplyr :: funcs,例如dat %>% mutate_each_(list(~scale(.) %>% as.vector), vars=c("y","z"))

编辑3(2020):感谢@mj_whales:旧的解决方案已弃用,现在我们需要使用mutate_at


这种方法非常有效,特别是当我将分类变量和数值变量组合在一起时。我只是有一个问题,这个运算符是什么意思“%>%”?
nooshinha

9
@ weber85,它是一个“管道”运算符(来自功能编程)。如果不写作f(g(x)),看起来会更好,而不是写作x %>% g %>% f。换句话说,dat %>% mutate_each_(funs(scale),vars=c("y","z"))is mutate_each_(dat,funs(scale),vars=c("y","z"))。当链条很长时,操作员会很帮忙,因为f(g(h(i(j(x)))))很难读懂。
akhmed

使用这种方法,将要应用比例的列从向量(类数字)转移到Nx1矩阵。假定data.frame的每一列都是向量,这可能会(在我的情况下)在程序包中引起一些错误。
朱利安·卡尔斯

2
对于最新的dplyr(0.8版本),你需要改变dplyr::funcslist一样dat %>% mutate_each_(list(~scale(.) %>% as.vector), vars=c("y","z"))
杜乔一个

2
mutate_each_()现在已弃用。您可以mutate_at()改用。新的方法是:dat2 <- dat %>% mutate_at(c("y", "z"), scale)
mj_whales

60

这是3岁。不过,我仍然需要添加以下内容:

最常见的归一化是z变换,您在其中减去平均值并除以变量的标准差。结果将具有mean = 0和sd = 1。

为此,您不需要任何包装。

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

而已。


完全是执行此操作的简单方法。谢谢
Pedro Neves

并简化了dplyr的使用:mutate(var = (var - mean(var))/sd(var))
RobertMyles

但这可以用来获取两个变量的z得分吗?
lf_araujo

去规范化myVar <- (zVar * sd(zVar)) + mean(zVar),对吗?
Artur_Indio

4
@Artur_Indio差不多:newVar <- (zVar * sd(myVar)) + mean(myVar)。您必须使用原始均值/标准差。如您所写,您将乘以sd(zVar)=1并加mean(zVar)=0,所以什么都不会改变:)
random_forest_fanatic

24

“ Caret”包提供了预处理数据的方法(例如居中和缩放)。您还可以使用以下代码:

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

更多详细信息:http : //www.inside-r.org/node/86978


17

当我使用Dason提出的解决方案时,我没有得到数据框,而是得到了一个数字向量(df的缩放值)。

如果有人遇到同样的麻烦,则必须将as.data.frame()添加到代码中,如下所示:

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

我希望这对有同样问题的人有用!


不错的解决方案!如果有人要从缩放比例中排除某个列,则可以这样操作: train_dt[-24] <- scale(train_dt[-24]) 其中“ 24”是要排除的列号
NetEmmanuel

13

您还可以使用clusterSim包中的data.Normalization函数轻松地对数据进行标准化。它提供了不同的数据标准化方法。

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

争论

x
向量,矩阵或数据集类型
的归一化类型:n0-不进行归一化

n1-标准化((x-均值)/ sd)

n2-位置标准化((x-median)/ mad)

n3-单位化((x均值)/范围)

n3a-位置单位化((x-中位数)/范围)

n4-零最小值((x-min)/范围)的单位化

n5-范围<-1,1>((x-mean)/ max(abs(x-mean)))的归一化

n5a-范围<-1,1>中的位置归一化((x-中位数)/ max(abs(x-中位数)))

n6-商转换(x / sd)

n6a-位置商转换(x / mad)

n7-商数转换(x /范围)

n8-商数转换(x / max)

n9-商转换(x /平均值)

n9a-位置商转换(x /中位数)

n10-商数转换(x / sum)

n11-商数转换(x / sqrt(SSQ))

n12-归一化((x-mean)/ sqrt(sum((x-mean)^ 2)))

n12a-位置归一化((x-median)/ sqrt(sum((x-median)^ 2)))

n13-以零为中心点的归一化((x-midrange)/(range / 2))

标准化
“列”-通过变量标准化,“行”-通过对象标准化


该软件包不适用于R版本3.4.3
JdP '18

11

使用dplyrv0.7.4,可以使用mutate_all()以下命令缩放所有变量:

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

可以使用mutate_at()以下方法排除特定变量:

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

reprex软件包(v0.2.0)创建于2018-04-24。


9

同样,即使这是一个古老的问题,也非常重要!而且我发现了一种无需某些程序包即可规范化某些列的简单方法:

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

例如

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)

您将看到y和z列已被标准化。不需要包:-)


8

比例可用于完整数据框和特定列。对于特定的列,可以使用以下代码:

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

全数据帧

trainingSet <- scale(trainingSet)

3

dplyr程序包具有执行此操作的两个功能。

> require(dplyr)

要更改数据表中的特定列,可以使用函数mutate_at()。要对所有列进行突变,可以使用mutate_all

以下是使用这些功能标准化数据的简短示例。

突变特定的列:

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 

突变所有列:

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 

1

在碰巧找到该线程之前,我遇到了同样的问题。我有依赖于用户的列类型,因此我编写了一个for遍历它们并获取所需列的循环scale。可能有更好的方法可以做到这一点,但这很好地解决了这个问题:

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

as.vector是需要的部分,因为它变成了scalerownames x 1矩阵这通常不是你想在你的是什么data.frame


0

使用软件包“ recommenderlab”。下载并安装软件包。该软件包内置了一个命令“ Normalize”。它还允许您选择多种标准化方法之一,即'center'或'Z-score'请遵循以下示例:

## 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")

1
这个答案没有解决这个问题。
f0nzie

0

正规化从BBMisc封装功能是正确的工具,我,因为它可以处理NA值。

使用方法如下:

给定以下数据集,

    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

标准化值可以这样获得:

> 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

手工计算的方法只忽略包含NA的colmuns:

> 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

(将normalizedHuman列为NA的列表...)

关于要计算的特定列的选择,可以采用如下通用方法:

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)

0

@BBKim几乎给出了最佳答案,但可以做得更短。我很惊讶还没有人提出来。

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

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.