当转换为data.matrix的数字data.frame时，R对csv做什么？

Question

我有一个CSV文件。 它位于scikit.learn库中。 在用python构建任何预测模型之前，我想看一下每个属性与key属性的相关性。 因此，我导入了CSV文件，如下所示：

 y <-read.csv("boston_house_prices.csv")

现在，我似乎无法执行任何描述性统计信息，也无法运行cor（y [，1：13]，y [，14]）。 它说“ x”不是数字。 我努力了：

 y <- as.data.frame(sapply(y, as.numeric))

和

 y <- data.matrix(y)

现在，数据为数字，我可以运行相关性了。 但是，如果我想运行基本统计信息，那么一切都会从发生的“转换”中倾斜。 有人可以告诉我如何在运行cor（）的同时保留数据本机的数字类型吗？ 为什么R必须将双精度/十进制值转换为整数才能进行运算？

谢谢。

Answer 1

使用read.csv读取数据时，可以通过使用skip = 1来避免此问题。 我从原始数据中抓取了几行，看来还可以。

第一行是不必要的，它实际上将标题行向下推到第一行中，这反过来又在读取时将列转换为因子。 当使用as.numeric ，实际上是将所有因子值更改为其数值，这些数值与原始数值不同，并且可能不正确。 这就是您描述的“偏斜”。

txt <- '506,13,,,,,,,,,,,,
  "CRIM","ZN","INDUS","CHAS","NOX","RM","AGE","DIS","RAD","TAX","PTRATIO","B","LSTAT","MEDV"
  0.00632,18,2.31,0,0.538,6.575,65.2,4.09,1,296,15.3,396.9,4.98,24
  0.02731,0,7.07,0,0.469,6.421,78.9,4.9671,2,242,17.8,396.9,9.14,21.6
  0.02729,0,7.07,0,0.469,7.185,61.1,4.9671,2,242,17.8,392.83,4.03,34.7
  0.03237,0,2.18,0,0.458,6.998,45.8,6.0622,3,222,18.7,394.63,2.94,33.4'

您当前的通话会产生以下因素：

sapply(read.csv(text = txt), class)
#     X506      X13        X      X.1      X.2      X.3      X.4 
# "factor" "factor" "factor" "factor" "factor" "factor" "factor" 
#      X.5      X.6      X.7      X.8      X.9     X.10     X.11 
# "factor" "factor" "factor" "factor" "factor" "factor" "factor" 

skip = 1似乎可以解决问题，因为它会产生数字列：

sapply(read.csv(text = txt, skip = 1), class)
#      CRIM        ZN     INDUS      CHAS       NOX        RM       AGE 
# "numeric" "integer" "numeric" "integer" "numeric" "numeric" "numeric" 
#       DIS       RAD       TAX   PTRATIO         B     LSTAT      MEDV 
# "numeric" "integer" "integer" "numeric" "numeric" "numeric" "numeric" 

因此，如果您将第一行更改为

y <- read.csv("boston_house_prices.csv", skip = 1)

此后一切都应该没事了，不需要其他转换