Answers:
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:
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
和
> 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
。
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。
dplyr
(0.8版本),你需要改变dplyr::funcs
与list
一样dat %>% mutate_each_(list(~scale(.) %>% as.vector), vars=c("y","z"))
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)
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。
mutate(var = (var - mean(var))/sd(var))
。
myVar <- (zVar * sd(zVar)) + mean(zVar)
,对吗?
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:)
“ 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
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!
train_dt[-24] <- scale(train_dt[-24])
其中“ 24”是要排除的列号
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
使用dplyr
v0.7.4,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
由reprex软件包(v0.2.0)创建于2018-04-24。
该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
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scale
做rownames x 1
矩阵这通常不是你想在你的是什么data.frame
。
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=”), items=paste('i', 1:10, sep=”)))
## 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")
该正规化从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)