小编scr*_*Owl的帖子

我有一个TSV(制表符分隔值)文件,我需要拼写检查拼写错误和组合单词(即'我爱你'和'Iloveyou').

我在我的机器上安装了Aspell,可以使用aspell()函数在R中运行它.

files <- "train2.tsv"
 res <- aspell(files)
 str(res)
 summary(res)

但是,在R中运行它的输出只是拼写错误的单词列表和可能的建议.

>  summary(res)
Possibly mis-spelled words:
 [1] "amant"        "contaneir"    "creat"        "ddition"      "EssaySet"     "EssayText"    "experiament"  "expireiment"  "expirement"  
[10] "Fipst"        "infomation"   "Inorder"      "measureing"   "mintued"      "neccisary"    "officialy"    "renuminering" "rinsen"      
[19] "sticlenx"     "sucessfully"  "tipe"         "vineager"     "vinigar"      "yar"   

>  str(res)
Classes ‘aspell’ and 'data.frame':      27 obs. of  5 variables:
 $ Original   : chr  "EssaySet" "EssayText" "expirement" "expireiment" ...
 $ File       : chr  "train2.tsv" "train2.tsv" "train2.tsv" "train2.tsv" ...
 $ Line       : int  1 1 3 3 …

我正在尝试将数据帧写入gzip文件但有问题.

这是我的代码示例:

df1 <- data.frame(id = seq(1,10,1), var1 = runif(10), var2 = runif(10))

gz1 <- gzfile("df1.gz","w" )
writeLines(df1)

错误writeLines(df1):无效的'text'参数

有什么建议？

编辑:我想写的字符向量的示例行是:

0 | var1:1.5 var2:.55 var7:1250

类标签/ y变量通过"|"与x-vars分隔,变量名通过":"与变量之间的空格分隔.

EDIT2:我为问题的措辞/格式道歉,但结果如下:旧方法:

system.time(write(out1, file="out1.txt"))
#    user  system elapsed 
#   9.772  17.205  86.860 

新方法:

writeGzFile <- function(){
  gz1 = gzfile("df1.gz","w");
  write(out1, gz1);
  close(gz1) 
}

system.time( writeGzFile())
#    user  system elapsed 
#   2.312   0.000   2.478 

非常感谢大家帮助我解决这个问题.

我有一个data.frame有几列,我想加入一个新的data.frame中的一列.

df1 <- data.frame(col1 = 1:3, col2 = 4:6, col3 = 7:9)

如何使用1:9的单列创建新的data.frame？

我很好奇R是否有能力将对象放入向量/列表/数组/等.我使用randomforest包来处理更大的数据的子集,并希望将每个版本存储在列表中.它将类似于:

answers <- c()
for(i in 1:10){
x <- round((1/i), 3)
answers <- (rbind(answers, x))
}

理想情况下,我想做这样的事情:

answers <- c()
for(i in 1:10){
RF <- randomForest(training, training$data1, sampsize=c(100), do.trace=TRUE, importance=TRUE, ntree=50,,forest=TRUE)
answers <- (rbind(answers, RF))
}

这种工作,但这里是单个RF对象的输出:

> RF 

Call:
 randomForest(x = training, y = training$data1, ntree = 50, sampsize = c(100), importance = TRUE, do.trace = TRUE,      forest = TRUE) 
               Type of random forest: regression
                     Number of trees: 10
No. of variables tried at each split: 2

          Mean of …

我希望使用该GBM软件包进行逻辑回归,但它的回答略微超出0-1范围.我已经尝试了0-1预测(bernoulli和adaboost)的建议分布参数,但这实际上比使用更糟糕gaussian.

GBM_NTREES = 150
GBM_SHRINKAGE = 0.1
GBM_DEPTH = 4
GBM_MINOBS = 50
> GBM_model <- gbm.fit(
+ x = trainDescr 
+ ,y = trainClass 
+ ,distribution = "gaussian"
+ ,n.trees = GBM_NTREES
+ ,shrinkage = GBM_SHRINKAGE
+ ,interaction.depth = GBM_DEPTH
+ ,n.minobsinnode = GBM_MINOBS
+ ,verbose = TRUE)
Iter   TrainDeviance   ValidDeviance   StepSize   Improve
     1        0.0603             nan     0.1000    0.0019
     2        0.0588             nan     0.1000    0.0016
     3        0.0575             nan     0.1000    0.0013
     4        0.0563             nan …

我有一个字符串:

    str1 <- "This is a string, that I've written 
        to ask about a question, or at least tried to."

我怎么会:

1)计算逗号的数量

2)计算'-ion'的出现次数

有什么建议？

我试图使用特定的编码将.tsv(制表符分隔值)文件读入R.据说这是windows-1252.它有一个标题.

有关代码将其放入数据框的任何建议吗？

我使用一些big.___()软件包在R中使用大型数据集.这是~10演出(100mmR x 15C),看起来像这样:

Price         Var1         Var2
12.45          1             1
33.67          1             2
25.99          3             3
14.89          2             2
23.99          1             1
...            ...          ...

我试图根据Var1和Var2预测价格.

我提出的问题是Var1和Var2是分类/因子变量.
Var1和Var2各有3个级别(1,2和3),但数据集中只有6个组合

(1,1;  1,2;  1,3;  2,2;  2,3;  3,3)

要使用因子变量,biglm()它们必须存在于每个biglm使用的数据块中(我的理解是biglm将数据集分解为"x"个块,并在分析每个块后更新回归参数,以便绕过处理数据集比RAM大.)

我试图对数据进行分组,但我的计算机无法处理它或我的代码错误:

bm11 <- big.matrix(150000000, 3)
bm11 <- subset(x, x[,2] == 1 & x[,3] == 1)

上面给了我一堆这些:

Error: cannot allocate vector of size 1.1 Gb

有没有人有解决这个问题的建议？

我在Windows 7机器上使用R 64位w/4演出RAM.

有谁知道如何gbm在R手柄缺失值？我似乎无法使用谷歌找到任何解释.

我正在尝试在python中使用scikit learn来做几个不同的分类器问题(RF,GBM等).除了建立模型和进行预测之外,我还希望看到变量的重要性.我知道有办法获得重要性

importances = clf.feature_importances_
print(importances)

但是我如何得到一些更重要的东西,它具有与变量名称相关的重要性(即summary(gbm)在R或varImp(randomForest)R中),特别是如果它是具有多个级别的分类变量？