R中的因素和虚拟变量

Question

我是数据分析和学习R的新手。我有一些非常基本的问题，我不太清楚。 我希望在这里能找到帮助。 请忍受我..还在学习-

我写了一个小函数对具有9个变量的数据集执行基本的探索性分析，其中8个是Int / Numeric类型，而1个是Factor。 函数是这样的：

  out <- function(x) 
  {
    c <- class(x)
    na.len <- length(which(is.na(x)))
    m <- mean(x, na.rm = TRUE)
    s <- sd(x, na.rm = TRUE)
    uc <- m+3*s
    lc <- m-3*s
    return(c(classofvar = c, noofNA = na.len, mean=m, stdev=s, UpperCap = uc, LowerCap = lc))
  }

然后我将其应用于数据集：

stats <- apply(train, 2, FUN = out)

但是输出文件将所有类别的变量作为Character，并将所有Means作为NA。 头部受伤后，我发现问题出在因素变量上。 我使用此将其转换为数字：

train$MonthlyIncome=as.numeric(as.character(train$MonthlyIncome))

工作正常。 但是我很困惑，如果不查看数据集，我会使用上面的函数-它不会起作用。 我该如何处理这种情况。

我什么时候应该考虑创建虚拟变量？

预先谢谢您，希望问题不会太愚蠢！

Answer 1

请注意， c()产生一个向量，向量中的所有元素必须属于同一类。 如果元素具有不同的类，则c()使用能够保存所有信息的最简单的类。 例如，数值和整数将产生数值。 字符和整数将导致字符。

如果需要其他类，请使用列表或data.frame。

out <- function(x) 
  {
    c <- class(x)
    na.len <- length(which(is.na(x)))
    m <- mean(x, na.rm = TRUE)
    s <- sd(x, na.rm = TRUE)
    uc <- m+3*s
    lc <- m-3*s
    return(data.frame(classofvar = c, noofNA = na.len, mean=m, stdev=s, UpperCap = uc, LowerCap = lc))
  }

sum(is.na(x))比length(which(is.na(x)))快

使用lapply在每个变量上运行该函数。 使用do.call附加结果数据帧。

stats <- do.call(
  rbind,
  lapply(train, out)
)