如何為R中具有超過2個值的所有類別變量創建合適的偽變量？

Question

我有一個包含1000行和21個變量的CSV數據集。 在這21個變量中，有9個是類別變量，具有兩個以上的值。 如何在R中為相同變量創建偽變量？ 我希望對該數據集進行邏輯回歸以解釋它。 我嘗試使用因子和水平對其進行轉換，但我認為僅對2個變量最有效。 我在Google上搜索了很多，並找到了許多網站，這些網站從理論上解釋了如何做到這一點，但是並沒有提及代碼或功能來完全理解它。 在這個網站上，我遇到了model.matrix（）函數，R的虛擬包和dummy.code（）函數。 但是我仍然被困住了，因為我是R的新手。很抱歉，這是我第一次在這里問。 提前致謝！

Answer 1

在R中，大多數函數將在您發送分類值（性別，位置等）時識別並自動創建偽變量！ 例如，如果要進行線性回歸，則可以執行lm（CSV_DATA）。 如果分類值由實際數字表示，建議先將它們轉換為字符串，以允許R進行相應的調整！

如果必須手動執行此過程，則可以創建一個循環，該循環將遍歷數據集並填充其他變量。 對於每個分類值，您將需要n-1個其他變量才能將其表示為連續數據，n是該變量包含的可能類別的數量。 使用n-1個新變量，您可以將每個變量分配給原始類別變量中的可能類別。 在所有n-1個新變量中，最后一個類別將用0表示。 例如，如果您嘗試表示位置，並且您的數據可以是“ New York”，“ LA”或“ Miami”，則您將創建兩個（n-1）個虛擬變量，為了便於說明，我們將給它們名稱city1和city2。 如果原始變量等於“ New York”，則將設置city1 = 1，city2 = 0，如果它是“ LA”，則將設置city1 = 0，city2 = 1，如果原始值是“ Miami”，則設置city1 = 0和city2 = 0。

之所以起作用，是因為它沒有將任何一個類別的排名在數值上都高於其余任何類別，並且它使用最后一個類別作為“參考”，將所有其余類別與之進行比較！ 如前所述，如果將變量表示為字符串R，它將自動為您執行此操作。