web-dev-qa-db-ja.com

相関の高い変数を削除する

巨大なデータフレーム5600 X 6592があり、0.99を超える相互に関連する変数を削除したいインデックス作成を使用して、「削減された」データを再度取得します。

cor(mydata)
mydata <- round(mydata,2)
mydata <- mydata[,!duplicated (mydata)]
## then do the indexing...

これが短いコマンドで実行できるのか、それとも高度な機能で実行できるのかを知りたい。 R言語の強力なツールを使用する方法を学習しています。これにより、このような長い不要なコマンドを回避できます。

私は次のようなものを考えていました

mydata <- mydata[, which(apply(mydata, 2, function(x) !duplicated(round(cor(x),2))))]

申し訳ありませんが、上記のコマンドは機能しませんが、これができるといいのですが。

質問に適用されるプレイデータ：

mydata <- structure(list(V1 = c(1L, 2L, 5L, 4L, 366L, 65L, 43L, 456L, 876L, 
78L, 687L, 378L, 378L, 34L, 53L, 43L), V2 = c(2L, 2L, 5L, 4L, 
366L, 65L, 43L, 456L, 876L, 78L, 687L, 378L, 378L, 34L, 53L, 
41L), V3 = c(10L, 20L, 10L, 20L, 10L, 20L, 1L, 0L, 1L, 2010L, 
20L, 10L, 10L, 10L, 10L, 10L), V4 = c(2L, 10L, 31L, 2L, 2L, 5L, 
2L, 5L, 1L, 52L, 1L, 2L, 52L, 6L, 2L, 1L), V5 = c(4L, 10L, 31L, 
2L, 2L, 5L, 2L, 5L, 1L, 52L, 1L, 2L, 52L, 6L, 2L, 3L)), .Names = c("V1", 
"V2", "V3", "V4", "V5"), class = "data.frame", row.names = c(NA, 
-16L))

どうもありがとう

rfunctionsubsetcorrelation
30
Error404

これを行うには多くの方法があり、確かにこれよりも優れていると確信していますが、これは機能するはずです。基本的に、上三角形をゼロに設定し、値が0.99を超える行を削除します。

> tmp <- cor(data)
> tmp[upper.tri(tmp)] <- 0
> diag(tmp) <- 0
# Above two commands can be replaced with 
# tmp[!lower.tri(tmp)] <- 0
#
> 
> data.new <- data[,!apply(tmp,2,function(x) any(x > 0.99))]
> head(data.new)
   V2 V3 V5
1   2 10  4
2   2 20 10
3   5 10 31
4   4 20  2
5 366 10  2
6  65 20  5
42
David

これは私のRコードで、これはあなたに役立つでしょう

library('caret')

df1 = read.csv("stack.csv")

print (df1)

     GA     PN     PC   MBP    GR    AP
1 0.033  6.652  6.681 0.194 0.874 3.177
2 0.034  9.039  6.224 0.194 1.137 3.400
3 0.035 10.936 10.304 1.015 0.911 4.900
4 0.022 10.110  9.603 1.374 0.848 4.566
5 0.035  2.963 17.156 0.599 0.823 9.406
6 0.033 10.872 10.244 1.015 0.574 4.871
7 0.035 21.694 22.389 1.015 0.859 9.259
8 0.035 10.936 10.304 1.015 0.911 4.500


df2 = cor(df1)
hc = findCorrelation(df2, cutoff=0.3) # putt any value as a "cutoff" 
hc = sort(hc)
reduced_Data = df1[,-c(hc)]
print (reduced_Data)

     GA     PN    GR    AP
1 0.033  6.652 0.874 3.177
2 0.034  9.039 1.137 3.400
3 0.035 10.936 0.911 4.900
4 0.022 10.110 0.848 4.566
5 0.035  2.963 0.823 9.406
6 0.033 10.872 0.574 4.871
7 0.035 21.694 0.859 9.259
8 0.035 10.936 0.911 4.500

削減されたデータを新しいcsvに書き留めるには、次を使用します：

write.csv(reduced_Data, file = "outfile.csv", row.names = FALSE)
29
jax

@Davidコードを少し変更するだけでより堅牢から負の相関になり、

_abs(x) > 0.99 
_

ただではなく

_x > 0.99
_

data.new <- data[,!apply(tmp,2,function(x) any(abs(x) > 0.99))]

乾杯..！！！

14
Vamshidhar H.K.