多個類別變量表的相關性

Question

問題已更新！！

我有15列類別變量，我希望它們之間具有相關性。 數據集的長度超過20,000，並且數據集如下所示：

state | job | hair_color | car_color | marital_status
NY    | cs  | brown      | blue      | s
FL    | mt  | black      | blue      | d
NY    | md  | blond      | white     | m
NY    | cs  | brown      | red       | s

請注意，第一行和最后一行NY ， cs和s重復。 我想找出這種模式。 NY和CS高度相關。 我需要在列中對值的組合進行排名。 希望現在這個問題有意義。 請注意， 不是數NY或cs 。 關於找出NY和blond在同一行中一起出現的次數。 我需要按行對所有值執行此操作。 希望現在這有意義。

我嘗試將cor()與R配合使用，但是由於這些是分類變量，因此該功能無法正常工作。 如何使用此數據集查找它們之間的相關性？

Answer 1

您可能希望參考計算相似度的方法 。 假設您的數據是

d <- structure(list(state = structure(c(2L, 1L, 1L, 2L, 2L), .Label = c("FL", 
"NY"), class = "factor"), job = structure(c(2L, 1L, 4L, 3L, 2L
), .Label = c("bs", "cs", "md", "mt"), class = "factor"), hair_color = structure(c(3L, 
3L, 1L, 2L, 3L), .Label = c("black", "blond", "brown"), class = "factor"), 
    car_color = structure(c(1L, 2L, 1L, 3L, 2L), .Label = c("blue", 
    "red", "white"), class = "factor"), marital_status = structure(c(3L, 
    1L, 1L, 2L, 3L), .Label = c("d", "m", "s"), class = "factor")), .Names = c("state", 
"job", "hair_color", "car_color", "marital_status"), class = "data.frame", row.names = c(NA, 
-5L))

數據：

> d
  state job hair_color car_color marital_status
1    NY  cs      brown      blue              s
2    FL  bs      brown       red              d
3    FL  mt      black      blue              d
4    NY  md      blond     white              m
5    NY  cs      brown       red              s

我們可以計算觀察值之間的“差異”：

library(cluster)
daisy(d, metric = "euclidean")

輸出：

> daisy(d, metric = "euclidean")
Dissimilarities :
    1   2   3   4
2 0.8            
3 0.8 0.6        
4 0.8 1.0 1.0    
5 0.2 0.6 1.0 0.8

Metric :  mixed ;  Types = N, N, N, N, N 
Number of objects : 5

這告訴我們觀察值1和5的差異最小。 通過許多觀察，顯然不可能目視檢查差異矩陣，但是我們可以過濾掉低於某個閾值的對，例如

out <- daisy(d, metric = "euclidean")
pairs <- expand.grid(2:5, 1:4)
pairs <- pairs[pairs[,1]!=pairs[,2],]
similars <- pairs[which(out<.8),]

假設閾值為0.8，

> similars
  Var1 Var2
4    5    1
6    3    2
8    5    2