r-生成用于无监督学习的合成数据

Question

我想用随机森林为无监督学习准备数据。程序如下：

• 获取数据并将值为1的属性"class"添加到所有示例中
• 从原始数据生成合成数据：
  • 而您没有与原始数据构建示例中相同数量的示例：
    • 从原始数据中该属性的所有值中采样新属性值
    • 对所有属性执行此操作，并将它们组合到新的示例中
• 分配给合成数据值2的属性"class"
• 将两个数据绑定在一起

最后看起来是这样的：

        ...      Class
                |1
     Original   |1
     Data       |1
                |1
    --------------
                |2
     Synthetic  |2
     Data       |2
                |2

我的R代码如下：

library(gtools) #for smartbind()
sample1 <- function(X)   { sample(X, replace=T) } 
g1      <- function(dat) { apply(dat,2,sample1) }
data$class <- rep(1, times=nrow(data)) #add attribute 'class' with value 1
synthData<-data.frame(g1(data[,1:ncol(data)])) #generate synthetic data with sampling from data
synthData$class <- rep(2, times=nrow(synthData)) #attribute 'class' is 2
colnames(synthData) <- colnames(data)
newData <- smartbind(data, synthData) #bind the data together

很明显，我对R真的很陌生，但它确实有效——只有一个问题：合成数据中的属性类型与原始数据中的不同。如果在最初它们是数字，那么现在它们就变成了因子。如何在生成合成数据时保留相同的类型？

谢谢！

数据1（数字变为因子）：

结构（列表（V2=c（1.51793、1.51711、1.51645、1.51916、1.51131)，V3=c（13.21，12.89，13.44，14.15，13.69），V4=c（3.48，3.62，3.61，0，3.2），V5=c（1.41，1.57，1.54，2.09，1.81），V6=c（72.64，72.96，72.39，72.74，72.81），V7=c（0.59，0.61，0.66，0，1.76)，V8=c（8.43，8.11，8.03，10.88，5.43），V9=c（0，0，0，1.19），V10＝c（0，0，0、0，0），realClass＝结构（c（1L，2L，2L，5L，6L）。Label=c（"1"，"2"，"3"，"5"，"6"，"7"），class="factor"）。Names=c（"V2"，"V3"、"V4"、"V5"、"V6"、"V7"、"V8"、"V9"、"V10"one_answers"realClass"），行名称=c（27L，138L、77L、183L、186L），class="data.frame"）

数据2（因子变为chrs）：

structure（list（realClass＝structure。Label=c（"e"，"p"），class="factor"），V2=结构（c（6L，3L，4L，6L，6L）。标签=c（"b"，"c"，"f"，"k"，"s"，"x"），class="factor"），V3=结构（c（4L，4L，3L，1L，1L）。Label=c（"f"，"g"，"s"，"y"），class="factor"），V4＝结构（c（5L，5L，5L，3L，4L）。Label=c（"b"，"c"，"e"、"g"、"n"、"p"、"r"、"u"、"w"、"y"），class="factor"），V5＝结构（c（1L，1L，2L，1L）。Label=c（"f"，"t")，class="factor"），V6=结构（c（3L，9L，3L，6L，3L)。Label=c（"a"、"c"、"f"、"l"、"m"、"n"、"p"、"s"、"y")，class="factor"），V7=结构)。Label=c（"a"，"f"），class="factor"），V8=结构（c（1L，1L，1L，1L，1L）。Label=c（"c"，"w"），class="factor"），V9＝结构（c（2L，2L，3L，1L）。Label=c（"b"，"n")，class="factor"），V10=结构（c（1L，1L，1R，10L，4L）。Label=c（"b"、"e"、"g"、"h"、"k"、"n"、"o"、"p"、"r"，"u"，"w"，"y"），class="factor"），V11=结构（c（2L，2L，2L，2L，1L）。Label=c（"e"，"t"），class="factor"），V12=结构（c（NA，NA，NA、1L、1L）。Label=c（"b"，"c"，"e"，"r"），class="factor"），V13=结构（c（3L，2L，3L，3L、2L）。Label=c（"f"，"k"，"s"，"y"），class="factor"），V14＝结构（c（3L，3L，2L，3L，2L）。Label=c（"f"，"k"，"s"，"y"），class="factor"），V15=结构（c（7L，8L，7L，4L、7L）。Label=c（"b"、"c"、"e"、"g"、"n"、"o"、"p"、"w"，"y"），class="factor"），V16=结构（c（7L，7L，8L，4L，1L）。Label=c（"b"、"c"、"e"、"g"、"n"、"o"、"p"、"w"、"y")，class="factor"），V17=结构)。Label="p"，class="factor"），V18=结构（c（3L，3L，3L，3L，3L）。Label=c（"n"，"o"，"w"，"y"），class="factor"），V19＝结构（c（2L，2L，3L，2L）。Label=c（"n"，"o"，"t"），class="factor"），V20=结构（c（1L，1L，5L，3L）。Label=c（"e"、"f"、"l"、"n"、"p"），class="factor"），V21＝结构（c（8L，8L，8k，4L，2L）。Label=c（"b"，"h"，"k"，"n"，"o"，"r"，"u"，"w"，"y"），class="factor"），V22=结构（c（5L，5L，5L，5L，6L）。Label=c（"a"、"c"、"n"、"s"、"v"、"y"），class="factor"），V23＝结构（c（3L，3L，5L，1L，2L）。Label=c（"d"，"g"，"l"，"m"，"p"，"u"，"w"），class="factor"））。Names=c（"realClass"，"V2"、"V3"、"V4"、"V5"、"V6"、"v27"、"V88"、"V9"、"V10"、"V11"，"V12"V13"V14"V15"V16"V17"V18"V19"V20"，"V21"、"V22"one_answers"V23"），行名称=c（4105L、6207L、6696L、2736L，3756L），class="data.frame"）

Answer 1

您可以随时使用此技巧使数字列

numcol <- as.numeric(as.character(factcol))

但我怀疑您的data.frame中存在因子变量。由于apply返回一个矩阵，如果数据中有一个因子，那么所有数值变量也将被强制因子。

下面是一个例子，使用玩具数据集

set.seed(123)
toydat <- data.frame(A = 1:10, B = rnorm(10), C = LETTERS[1:10])
str(toydat)
## 'data.frame':    10 obs. of  3 variables:
##  $ A: int  1 2 3 4 5 6 7 8 9 10
##  $ B: num  -0.5605 -0.2302 1.5587 0.0705 0.1293 ...
##  $ C: Factor w/ 10 levels "A","B","C","D",..: 1 2 3 4 5 6 7 8 9 10
set.seed(1)
str(data.frame(apply(toydat[,1:2], 2, sample, replace = TRUE)))
## 'data.frame':    10 obs. of  2 variables:
##  $ A: num  3 4 6 10 3 9 10 7 7 1
##  $ B: num  1.5587 -0.2302 0.4609 0.0705 -1.2651 ...
# with the factor column C     
set.seed(2)
str(data.frame(apply(toydat[,1:3], 2, sample, replace = TRUE)))
## 'data.frame':    10 obs. of  3 variables:
##  $ A: Factor w/ 6 levels "10"," 2"," 5",..: 2 5 4 2 1 1 2 6 3 4
##  $ B: Factor w/ 8 levels " 0.129288","-0.230177",..: 8 7 6 2 1 5 3 7 1 4
##  $ C: Factor w/ 6 levels "B","D","E","G",..: 4 2 5 1 2 3 1 2 6 1

这就是plyr包变得有用的地方，因为您可以控制输出（使用**ply）。但在这种情况下，colwise函数是足够的

require(plyr)
set.seed(2)
mysamplingfun <- colwise(function(x) sample(x, replace = TRUE))
str(mysamplingfun(toydat[,1:3]))
## 'data.frame':    10 obs. of  3 variables:
##  $ A: int  2 8 6 2 10 10 2 9 5 6
##  $ B: num  1.715 1.559 -1.265 -0.23 0.129 ...
##  $ C: Factor w/ 10 levels "A","B","C","D",..: 7 4 9 2 4 5 2 4 10 2