用另一個因子的最近水平替換一個因子的水平

Question

假設我在R中有以下數據

training = factor(c(1,1,3,2,1,3,2,34,67,34))
test = factor(c(1,1,2,30,65,30))

（我的數據要復雜得多，這是一個簡化）

我想檢查測試集中的級別是否存在於訓練集中，如果不是，則將其替換為訓練集中最接近的值。 例如，測試集中的級別30和65在訓練集中不存在，因此我想分別將它們替換為34和67。

目前，我創建了以下代碼。

replacefactor <- function(dat,new_factor,near_factor) {
if (!(near_factor %in% levels(dat))){
    levels(dat) <- c(levels(dat),near_factor)
}
dat[dat==new_factor] <- near_factor
dat <- factor(dat)
}

test <- replacefactor(test,30,34)
test <- replacefactor(test,65,67)

它有效，但我需要手動指定水平。 由於我的數據大小，這對我來說不實用。

我不確定如何在訓練集中找到最接近的值。 然后我可以使用for循環來自動化它。

Answer 1

首先得到不匹配的水平：

test.missing <- levels(test)[!levels(test) %in% levels(training)]

然后編寫一個函數來運行它們並找到最接近的匹配：

myfun <- function(x, y) {
  levels(y)[which.min(abs(as.integer(levels(y)) - as.integer(x)))]
}

> unlist(lapply(test.missing, myfun, training))
[1] "34" "67"

然后可以將其分配到正確的級別：

levels(test)[!levels(test) %in% levels(training)] <- unlist(lapply(test.missing, myfun, training))

> levels(test)
[1] "1"  "2"  "34" "67"