有没有一种简单的方法可以将R中的分类变量和连续变量分离成两个数据集

Question

假设我有大约500个变量可用，我正在尝试为我的模型选择变量（响应是二进制的）

我打算对所有的连续性做一些corr分析，然后再做分类。

由于涉及到很多变量，我无法手动执行。

有我可以使用的功能吗？或者模块？

Answer 1

我在R中使用可用的iris数据集。然后

sapply(iris, is.factor)
Sepal.Length  Sepal.Width Petal.Length  Petal.Width      Species 
       FALSE        FALSE        FALSE        FALSE         TRUE 

会告诉你你的专栏是不是因素。所以使用

iris[ ,sapply(iris, is.factor)]

只能拾取因子列。和

iris[ ,!sapply(iris, is.factor)]

会给你那些不是因子的列。您也可以使用is.numeric、is.character和其他不同的版本。

Answer 2

您可以使用str(df)来查看哪些列是因子，哪些列不是（df是您的数据帧）。例如，对于R:中的数据虹膜

str(iris)
'data.frame':   150 obs. of  5 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...
 $ Species     : Factor w/ 3 levels "setosa","versicolor",..: 1 1 1 1 1 1 1 1 1 1 ...

或者，您可以使用lapply(iris,class)

$Sepal.Length
[1] "numeric"
$Sepal.Width
[1] "numeric"
$Petal.Length
[1] "numeric"
$Petal.Width
[1] "numeric"
$Species
[1] "factor" 

Answer 3

创建一个函数，该函数为小于总值的某个分数的唯一值的数量返回逻辑值，我选择5%：

 discreteL <- function(x) length(unique(x)) < 0.05*length(x)

现在sapply它（对连续变量取否定）到数据。帧：

 > str( iris[ , !sapply(iris, discreteL)] )
'data.frame':   150 obs. of  4 variables:
 $ Sepal.Length: num  5.1 4.9 4.7 4.6 5 5.4 4.6 5 4.4 4.9 ...
 $ Sepal.Width : num  3.5 3 3.2 3.1 3.6 3.9 3.4 3.4 2.9 3.1 ...
 $ Petal.Length: num  1.4 1.4 1.3 1.5 1.4 1.7 1.4 1.5 1.4 1.5 ...
 $ Petal.Width : num  0.2 0.2 0.2 0.2 0.2 0.4 0.3 0.2 0.2 0.1 ...

我想你可以选择一个特定的数字，比如15，作为你的标准。

我应该明确指出，统计理论表明，就所概述的目的而言，这一程序是危险的。仅仅选择与二进制响应最相关的变量是不受支持的。已经有许多研究表明了更好的变量选择方法。所以我的答案实际上只是如何分离，而不是对你模糊描述的总体计划的认可。