如何在R中創建“最大”虛擬變量？
[英]How to create a “max” dummy variables in R?
問題描述
我想創建一個“ max”和一個條件偽變量。 假設我有一個看起來像這樣的數據集：
Subject Year X Ydummy
A 1990 0 0
A 1991 1 0
A 1992 2 0
A 1993 0 0
A 1995 1 0
A 1996 2 0
A 1997 3 0
B 1990 0 0
B 1991 0 0
B 1992 0 0
B 1993 1 0
B 1995 2 0
B 1996 3 0
B 1997 3 0
C 1990 1 0
C 1991 2 0
C 1992 3 0
C 1993 3 0
C 1995 3 0
C 1996 3 0
C 1997 3 0
C 1998 3 1
D 1990 0 0
D 1991 0 0
D 1992 1 0
D 1993 2 0
D 1995 3 0
D 1996 3 0
D 1997 4 0
X變量是一個累積變量（衡量每個Subject-Year）。
（1）我想創建一組“最大”的虛擬變量：可以指示X是否達到最大值1,2,3的虛擬變量，依此類推。 為簡化起見，假設我對創建變量“ Xmax3”感興趣。 “ Xmax3”指示X的最大值是否等於3（對於每個學科年）。 如果最大X值為3，則“ Xmax3”為1，否則為0。 使事情變得復雜的是，我希望僅當X首次變為3時才將其設為1。 或第一次達到最大值。 請參見下面的示例。
我嘗試使用以下方法創建此變量：
data$Xmax3 <- ave(data$X, data$Subject, FUN = function(x) if (max(x) == 3) 1 else 0)
但這並不能控制0，因為我希望X變成3時只能為1。
（2）基於“ Xmax3”，我想生成一個條件偽變量“ ” Xmax3_noY“ 。該變量應指示在X達到最大值3后的5年后Y是否為1。年，則“ “ Xmax3_noY”應該為0。
因此，如果您看下面的示例，您會發現對於C – 1992 ， “ Xmax3”為1。 但是“ Xmax3_noY”為0，因為C – 1998的Y為1。如果1999年（6年后）的Y為1，則“ Xmax3_noY”的有效性也將為 1。
示例（理想的結果）：
Subject Year X Ydummy Xmax3 Xmax3_noY
A 1990 0 0 0 0
A 1991 1 0 0 0
A 1992 2 0 0 0
A 1993 0 0 0 0
A 1995 1 0 0 0
A 1996 2 0 0 0
A 1997 3 0 1 1
B 1990 0 0 0 0
B 1991 0 0 0 0
B 1992 0 0 0 0
B 1993 1 0 0 0
B 1995 2 0 0 0
B 1996 3 0 1 1
B 1997 3 0 0 0
C 1990 1 0 0 0
C 1991 2 0 0 0
C 1992 3 0 1 0
C 1993 3 0 0 0
C 1995 3 0 0 0
C 1996 3 0 0 0
C 1997 3 0 0 0
C 1998 3 1 0 0
D 1990 0 0 0 0
D 1991 0 0 0 0
D 1992 1 0 0 0
D 1993 2 0 0 0
D 1995 3 0 0 0
D 1996 3 0 0 0
D 1997 4 0 0 0
您將如何創建這兩個變量？ 我非常感謝“教學法”（如果可能）的任何建議，允許我嘗試使用這些變量的不同版本。
可重現的樣品：
> dput(data)
structure(list(Subject = structure(c(1L, 1L, 1L, 1L, 1L, 1L,
1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L,
4L, 4L, 4L, 4L, 4L, 4L, 4L), .Label = c("A", "B", "C", "D"), class = "factor"),
Year = c(1990L, 1991L, 1992L, 1993L, 1995L, 1996L, 1997L,
1990L, 1991L, 1992L, 1993L, 1995L, 1996L, 1997L, 1990L, 1991L,
1992L, 1993L, 1995L, 1996L, 1997L, 1998L, 1990L, 1991L, 1992L,
1993L, 1995L, 1996L, 1997L), X = c(0L, 1L, 2L, 0L, 1L, 2L,
3L, 0L, 0L, 0L, 1L, 2L, 3L, 3L, 1L, 2L, 3L, 3L, 3L, 3L, 3L,
3L, 0L, 0L, 1L, 2L, 3L, 3L, 4L), Ydummy = c(0L, 0L, 0L, 0L,
0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L, 0L,
0L, 0L, 1L, 0L, 0L, 0L, 0L, 0L, 0L, 0L)), .Names = c("Subject",
"Year", "X", "Ydummy"), class = "data.frame", row.names = c(NA,
-29L))
編輯（與史蒂芬·博普雷交談后）：
Xmax3變量應指示何時達到X的第一個最大值，即在這種情況下X何時達到3。
對於Xmax3_noY變量，條件是：如果在X達到最大（也是第一個）值3之后的接下來的5年中，數據集中的Y == 1，則Xmax3_noY ==0。換句話說， Xmax_noY == 1如果在(Year +5)內沒有Ydummy == 1
另外，最好將Xmax3_noY變量的條件設置為不僅在5年之后，而且在5年之前 。 換言之： 本Xmax_noY == 1，如果它不是Ydummy == 1內的（年-5）:(年份+ 5）
3 個解決方案
解決方案1
2 2016-07-15 16:45:05
library(data.table)
dt = as.data.table(data) # or setDT to convert in place
dt[, Xmax3 := 0][X == 3, Xmax3 := c(1, rep(0, .N-1)), by = Subject][
, Xmax3 := if (max(X) > 3) 0, by = Subject]
dt[, Xmax3_noY := 0][X == 3,
Xmax3_noY := if(all(Ydummy[Year <= Year[1] + 6] == 0)) Xmax3 else 0,
by = Subject]
dt
# Subject Year X Ydummy Xmax3 Xmax3_noY
# 1: A 1990 0 0 0 0
# 2: A 1991 1 0 0 0
# 3: A 1992 2 0 0 0
# 4: A 1993 0 0 0 0
# 5: A 1995 1 0 0 0
# 6: A 1996 2 0 0 0
# 7: A 1997 3 0 1 1
# 8: B 1990 0 0 0 0
# 9: B 1991 0 0 0 0
#10: B 1992 0 0 0 0
#11: B 1993 1 0 0 0
#12: B 1995 2 0 0 0
#13: B 1996 3 0 1 1
#14: B 1997 3 0 0 0
#15: C 1990 1 0 0 0
#16: C 1991 2 0 0 0
#17: C 1992 3 0 1 0
#18: C 1993 3 0 0 0
#19: C 1995 3 0 0 0
#20: C 1996 3 0 0 0
#21: C 1997 3 0 0 0
#22: C 1998 3 1 0 0
#23: D 1990 0 0 0 0
#24: D 1991 0 0 0 0
#25: D 1992 1 0 0 0
#26: D 1993 2 0 0 0
#27: D 1995 3 0 0 0
#28: D 1996 3 0 0 0
#29: D 1997 4 0 0 0
# Subject Year X Ydummy Xmax3 Xmax3_noY
解決方案2
1 2016-07-15 17:27:27
這是一個解決方案，它將生成從1到4的Xmax_n和Xmax_n_noY列（8個新列）並滿足以下條件：
-
Xmax_n列中每個Subject內的X的第一個最大值僅表示1 - 與表示
0的值Xmax_n_noY對於每列Xmax_n值，如果有一個Ydummy的值1中Subject組之前或之后的范圍內的5年之內Year，否則，1
library(dplyr)
library(tidyr)
data %>%
group_by(Subject, X) %>%
mutate(maxt = ifelse(X != 0 & row_number(X) == 1, paste0("Xmax", X), NA),
maxnoy = ifelse(!is.na(maxt), paste0("Xmax", X, "_noY"), NA),
val = ifelse(!is.na(maxt), 1, 0)) %>%
group_by(Subject) %>%
mutate(Y2 = ifelse(!is.na(maxnoy) & any(Ydummy == 1), Year[Ydummy == 1], NA),
L = ifelse(!is.na(maxnoy) & !is.na(Y2), Y2 %in% list((Year-5):(Year+5)), 1)) %>%
spread(maxnoy, L, fill = 0) %>%
spread(maxt, val, fill = 0)
在第一部分中，我們group_by() Subject和X生成重要性為maxt ， val和maxnoy三個新列
data %>%
group_by(Subject, X) %>%
mutate(maxt = ifelse(X != 0 & row_number(X) == 1, paste0("Xmax", X), NA),
maxnoy = ifelse(!is.na(maxt), paste0("Xmax", X, "_noY"), NA),
val = ifelse(!is.na(maxt), 1, 0)) %>%
然后，我們產生重要性的第四列L將於0對於每個Xmax_n如果有一個Ydummy的值1的在Subject組的范圍內的先前或后的5年內Year ，否則， 1 。
group_by(Subject) %>%
mutate(Y2 = ifelse(!is.na(maxnoy) & any(Ydummy == 1), Year[Ydummy == 1], NA),
L = ifelse(!is.na(maxnoy) & !is.na(Y2), Y2 %in% list((Year-5):(Year+5)), 1)) %>%
然后，我們spread() maxt ＆ val和maxnoy ＆ L對spread() ，以實現所需的輸出格式。
spread(maxnoy, L, fill = 0) %>%
spread(maxt, val, fill = 0)
解決方案3
-1 2016-07-15 15:13:33
如果數據不是很大，則可以使用循環來解決問題。 通常認為這很糟糕，但是您可以輕松地將以下循環的命令轉換為可以通過apply執行的功能（請參見?apply 。
因此，讓我們說data_size是數據的長度，即data_size <- dim(data)[1]那么您可以分兩步計算Xmax3列。 首先是以下循環：
data$Xmax3 <- 0
for (t in 1:data_size) {
if (data$X[t] == 3) {
data$Xmax3[t] <- 1
}
}
如果您願意使用dplyr，也可以更優雅地表達它：
data <- dplyr::mutate(data,Xmax3 = ifelse ((X == 3), 1 , 0))
然后，在第二步中，我們希望消除跟隨1的所有1。同樣，有多種方法可以實現這一點。 一種可能性是使用diff(x)函數（請參閱?diff ）。 它返回x值之間的差。 例如： diff(c(1,2,5,6,1))將返回'1 3 1 -5'。 請注意，返回的向量要比提供的向量短一，因為已取得了差異。 接下來的部分比較笨拙，因為Xmax3_diff我們需要將Xmax3行的第一個值連接回去並刪除所有低於0的值：
Xmax3_diff <- diff(data$Xmax3)
data$Xmax3 <- pmax( c(data$Xmax3[1],Xmax3_diff) , 0)
完成此操作后，可以再次使用循環獲取Xmax3_noY列。 這次我們關心的是數據的最后一行！
buffer <- 5 # 5 because we want to check 5 years a head of the current time step
data$Xmax3_noY <- 0
for (t in 1:(data_size-buffer)) {
# check if the the next 5 years of the Ydummy column are all 0
test_for_followup_years <- any(data$Ydummy[t:(t+buffer)] == 0)
# If hte conditions we want are met, then set max3_noY to 1
if ( (data$Xmax3[t] == 1) & test_for_followup_years ) {
data$Xmax3_noY[t] <- 1
}
}
如何創建虛擬變量以在R中的GLM中使用？
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.