在r中重新编码数据

Question

我有一个巨大的1000 x 100000数据帧,如下所示重新编码为数字值.

myd <- data.frame (v1 = sample (c("AA", "AB", "BB", NA), 10, replace = T),
                   v2 = sample (c("CC", "CG", "GG", NA), 10, replace = T),
                   v3 = sample (c("AA", "AT", "TT", NA) , 10, replace = T),
                   v4 = sample (c("AA", "AT", "TT", NA) , 10, replace = T),
                   v5 = sample (c("CC", "CA", "AA", NA) , 10, replace = T)
                   )
myd
     v1   v2   v3   v4   v5
1    AB   CC <NA> <NA>   AA
2    AB   CG   TT   TT   AA
3    AA   GG   AT   AT   CA
4  <NA> <NA> <NA>   AT <NA>
5    AA <NA>   AA <NA>   CA
6    BB <NA>   TT   TT   CC
7    AA   GG   AA   AT   CA
8  <NA>   GG <NA>   AT   CA
9    AA <NA>   AT <NA>   CC
10   AA   GG   TT   AA   CC

每个变量都有四个唯一值.

unique(myd$v1)

[1] AB   AA   <NA> BB  
Levels: AA AB BB

unique(myd$v2)

[1] CC   CG   GG   <NA>
  Levels: CC CG GG

这些唯一值可以是任何组合,但是由两个字母组成( - 不包括NA).例如,"A","B"在第一种情况下将组合"AA","AB","BB".这些的数字代码分别为1,0,-1.类似地,对于第二种情况字母"C","G"产生"CC","CG","GG",因此数字代码将分别为1,0,-1.因此,上述myd需要重新编码为:

 myd
         v1   v2   v3    v4      v5
    1    0   1     <NA>  <NA>    1
    2    0   0     -1    -1      1
    3    1   -1     0    0       0
    4  <NA>  <NA>  <NA>   0     <NA>
    5    1  <NA>    1  < NA>      0
    6   -1  <NA>    -1    -1      -1
    7    1   -1    1      0        0
    8  <NA>   -1   <NA>   0        0
    9    1  <NA>    0    <NA>     -1
    10   1   -1    -1     1       -1

Answer 1

我将发布一个不同的解决方案 - (跳过data.table超快的方法!)

如果要重新编码AA, AB, BB,1,0,-1等等,您可以使用索引(以及数字解决方案的因子).如果您愿意,这将让您有不同的重新编码!

自制的重新编码功能

simple_recode <- function(.x, new_codes){
  new_codes[as.numeric(.x)]
 }

as.data.frame(lapply( myd, simple_recode, new_codes = 1:-1)) 

使用 factor

您可以通过factor使用新级别调用来重新标记字母labels

as.data.frame(lapply(myd, factor, labels = 1:-1))

data.table 为了效率

如果您的数据很大,那么我建议采用data.table一种内存和时间效率的方法.

library(data.table)
DT <- as.data.table(myd)
as.data.table(DT[,lapply(.SD, simple_recode, new_codes = 1:-1))])

或者,更有效率

as.data.table(DT[, lapply(.SD, setattr, 'levels', 1:-1)])

或者,甚至更有效(修改现有级别,并避免as.data.table调用)

 for(name in names(DT)){
    setattr(DT[[name]],'levels',1:-1)
     }

setattr 通过引用修改,因此不复制.

使用data.table和setattr的几乎瞬时方法

正如这个大数据集所示

# some big data (100 columns, 1e6 rows)
big  <- replicate(100, factor(sample(c('AA','AB','BB', NA), 1e6, T)), simplify = F)
bigDT <- as.data.table(big)

system.time({
  for(name in names(big)){
    setattr(big[[name]],'levels',1:-1)
     }
  }))

##  user  system elapsed 
##    0        0       0

Answer 2

您可以利用以下事实:您的数据是因子,它们下面有数字索引.

例如:

> as.numeric(myd$v1)
 [1]  2  2  1 NA  1  3  1 NA  1  1

数值对应于levels()因子:

> levels(myd$v1)
[1] "AA" "AB" "BB"

所以1 == AA,2 == AB,3 == BB......等等.

因此,您只需将数据转换为数字,然后应用必要的数学运算即可按比例缩放数据.所以我们可以减去2,然后乘以-1得到你的结果:

(sapply(myd, as.numeric) - 2) * -1
#-----
      v1 v2 v3 v4 v5
 [1,]  0  1 NA NA  1
 [2,]  0  0 -1 -1  1
 [3,]  1 -1  0  0  0
 [4,] NA NA NA  0 NA
 [5,]  1 NA  1 NA  0
 [6,] -1 NA -1 -1 -1
 [7,]  1 -1  1  0  0
 [8,] NA -1 NA  0  0
 [9,]  1 NA  0 NA -1
[10,]  1 -1 -1  1 -1