用R语言将数据转换成Format Vowpal Wabbit Input Files

相关文章:https://github.com/JohnLangford/vowpal_wabbit/wiki

https://github.com/JohnLangford/vowpal_wabbit/wiki/Input-format

# 从网上下载titanicDF的数据源

titanicDF<-read.csv(‘http://math.ucdenver.edu/RTutorial/titanic.txt‘,sep=‘\t‘)

#  将数据源存到本地

# write.table(titanicDF,‘titanicDF.txt‘,row.names=F)

# write.csv(titanicDF,"titanicDF.csv",row.names=F)

# 创建新变量 title

titanicDF$Title<-ifelse(grepl(‘Mr ‘,titanicDF$Name),‘Mr‘,ifelse(grepl(‘Mrs ‘,titanicDF$Name),‘Mrs‘,ifelse(grepl(‘Miss‘,titanicDF$Name),‘Miss‘,‘Nothing‘)))

# 转换成factor类型

titanicDF$Title<-as.factor(titanicDF$Title)

head(titanicDF)

##                                            Name PClass   Age    Sex

## 1                  Allen, Miss Elisabeth Walton    1st 29.00 female

## 2                   Allison, Miss Helen Loraine    1st  2.00 female

## 3           Allison, Mr Hudson Joshua Creighton    1st 30.00   male

## 4 Allison, Mrs Hudson JC (Bessie Waldo Daniels)    1st 25.00 female

## 5                 Allison, Master Hudson Trevor    1st  0.92   male

## 6                            Anderson, Mr Harry    1st 47.00   male

##   Survived   Title

## 1        1    Miss

## 2        0    Miss

## 3        0      Mr

## 4        0     Mrs

## 5        1 Nothing

## 6        1      Mr

str(titanicDF)

## ‘data.frame‘:    1313 obs. of  6 variables:

##  $ Name    : Factor w/ 1310 levels "Abbing, Mr Anthony",..: 22 25 26 27 24 31 45 46 50 54 ...

##  $ PClass  : Factor w/ 3 levels "1st","2nd","3rd": 1 1 1 1 1 1 1 1 1 1 ...

##  $ Age     : num  29 2 30 25 0.92 47 63 39 58 71 ...

##  $ Sex     : Factor w/ 2 levels "female","male": 1 1 2 1 2 2 1 2 1 2 ...

##  $ Survived: int  1 0 0 0 1 1 1 0 1 0 ...

##  $ Title   : Factor w/ 4 levels "Miss","Mr","Mrs",..: 1 1 2 3 4 2 1 2 3 2 ...

# 查看数据缺失情况

library(dfexplore)

## Loading required package: ggplot2

dfplot(titanicDF)

sum(is.na(titanicDF$Age)) # Age有557条记录数据缺失

## [1] 557

# 用中位数填补age变量的缺失数据

titanicDF$Age[is.na(titanicDF$Age)]<-median(titanicDF$Age,na.rm=T)

# 再次查看tittitanicDF数据是否有缺失值

dfplot(titanicDF)

# 对数据的列进行重组,将目标"Survived"放在最后面

titanicDF<-titanicDF[c("PClass","Age","Sex","Title","Survived")]

head(titanicDF)

##   PClass   Age    Sex   Title Survived

## 1    1st 29.00 female    Miss        1

## 2    1st  2.00 female    Miss        0

## 3    1st 30.00   male      Mr        0

## 4    1st 25.00 female     Mrs        0

## 5    1st  0.92   male Nothing        1

## 6    1st 47.00   male      Mr        1

# binarize all factors:对所有因子变量进行虚拟变量(哑变量)处理

library(caret)

## Loading required package: lattice

titanicDummy<-dummyVars(~.,data=titanicDF,fullRank=F)

titanicDF<-as.data.frame(predict(titanicDummy,newdata=titanicDF))

head(titanicDF)

##   PClass.1st PClass.2nd PClass.3rd   Age Sex.female Sex.male Title.Miss

## 1          1          0          0 29.00          1        0          1

## 2          1          0          0  2.00          1        0          1

## 3          1          0          0 30.00          0        1          0

## 4          1          0          0 25.00          1        0          0

## 5          1          0          0  0.92          0        1          0

## 6          1          0          0 47.00          0        1          0

##   Title.Mr Title.Mrs Title.Nothing Survived

## 1        0         0             0        1

## 2        0         0             0        0

## 3        1         0             0        0

## 4        0         1             0        0

## 5        0         0             1        1

## 6        1         0             0        1

https://github.com/JohnLangford/vowpal_wabbit/wiki/Input-format

[Label] [Importance [Tag]]|Namespace Features |Namespace Features … |Namespace Features

isclassification<-T

outcomeName<-"Survived"

labelName<-titanicDF[,"Survived"]

weightName<-""

objDF<-titanicDF

predictors<-names(objDF)[!names(objDF) %in% c(outcomeName,weightName)]

# LABELS & IMPORTANCE

if (is.null(labelName)) {

outcomeName<-"ignoreme"

objDF[,outcomeName]<-"0 |"

} else {

if (isclassification) {

# everything should be -1 1 for classification

objDF[,outcomeName]<-ifelse(objDF[,outcomeName]>0,1,-1)

}

if (weightName !=‘‘)

objDF[,outcomeName]<-psate(objDF[,outcomeName],objDF[,weightName],"|")

else

objDF[,outcomeName]<-paste(objDF[,outcomeName],"|")

}

# Pairing column names with data.. adding 1 blank character before each variable

for (i in predictors){

objDF[,i]<-ifelse(objDF[,i]==1,paste0(‘ ‘,i),

ifelse(objDF[,i]==0,‘‘,paste0(‘ ‘,i,":",objDF[,i])))

}

# reorder columns:重新组合列

objDF<-objDF[c(outcomeName,predictors)]

head(objDF)

##   Survived  PClass.1st PClass.2nd PClass.3rd       Age  Sex.female

## 1      1 |  PClass.1st                          Age:29  Sex.female

## 2     -1 |  PClass.1st                           Age:2  Sex.female

## 3     -1 |  PClass.1st                          Age:30

## 4     -1 |  PClass.1st                          Age:25  Sex.female

## 5      1 |  PClass.1st                        Age:0.92

## 6      1 |  PClass.1st                          Age:47

##    Sex.male  Title.Miss  Title.Mr  Title.Mrs  Title.Nothing

## 1            Title.Miss

## 2            Title.Miss

## 3  Sex.male              Title.Mr

## 4                                  Title.Mrs

## 5  Sex.male                                   Title.Nothing

## 6  Sex.male              Title.Mr

write.table(objDF,"vw.txt",sep="",quote=F,row.names=F,col.names=F)

时间: 2024-07-31 21:05:26

用R语言将数据转换成Format Vowpal Wabbit Input Files的相关文章

c语言将浮点型数据转换成字符串

在程序中,可能会遇到需要将浮点型的数据转换成字符串:  #include<stdio.h> void float2char(float,char*,int); int main() {     char buffer[10];     float2char(123.4567,buffer,10);     printf("%f 转换成字符串 %s\n",123.4567,buffer);     float2char(-654.321,buffer,10);     pri

R语言将数据框转成xts

R语言初学者,不这么会,今天碰到的问题,差了好久才找到,原来如此简单 尼玛,下次再忘记抽自己3巴掌 转换的代码和结果

[R语言]关联规则1---不考虑items之间的时序关系

本文介绍的是关联规则,分为两部分:第一部分是---不考虑用户购买的items之间严格的时序关系,每个用户有一个“购物篮”,查找其中的关联规则.第二部分--- 考虑items之间的严格的时序关系来分析用户道具购买路径以及关联规则挖掘.此文为第一部分的讲解.(本文所需的代码和数据集可以在这里下载.) 关联规则最常听说的例子是“啤酒与尿布”:购买啤酒的用户通常也会购买尿布.在日常浏览电商网站时也会出现“购买该商品的用户还会购买….”等提示,这其中应用的就是关联规则的算法. 本文重点讲解的是关联规则的R

《R语言实战》学习笔记seventh

由于在准备软考中级数据库系统工程师外加巩固SQL Server 2012,所以拖了好久一直没继续学R 下去 所以今天重开R 的战事 这次是关于基本统计分析的内容,即关于用于生成基本的描述性统计量和推断统计量的R 函数 首先,将着眼于定量变量的位置和尺度的衡量方式 然后将是生成类别型变量的频数表和列联表的方法(以及连带的卡方检验) 接下来将考察连续型和有序型变量相关系数的多种形式 最后转而通过参数检验(t检验)和非参数检验(Mann-Whitney U检验.Kruskal-Wallis检验)方法研

R 语言的优劣势是什么?

R 语言的优劣势是什么? 2015-05-27 程序员 大数据小分析 R,不仅仅是一种语言 本文原载于<程序员>杂志2010年第8期,因篇幅所限,有所删减,这里刊登的是全文. 工欲善其事,必先利其器,作为一个战斗在IT界第一线的工程师,C/C++.java.perl.python.ruby.php.javascript.erlang等等等等,你手中总有一把使用自如的刀,帮助你披荆斩棘. 应用场景决定知识的储备与工具的选择,反过来,无论你选择了什么样的工具,你一定会努力地把它改造成符合自己应用场

Machine Learning for hackers读书笔记(一)使用R语言

#使用数据:UFO数据 #读入数据,该文件以制表符分隔,因此使用read.delim,参数sep设置分隔符为\t #所有的read函数都把string读成factor类型,这个类型用于表示分类变量,因此将stringsAsFactors设置为False #header=F表示文件中并没有表头 #na.string='',表示把空元素设置为R中的特殊值NA,即将所有空元素读成NA ufo<-read.delim('ufo_awesome.tsv',sep='\t',stringsAsFactors

转载:R语言Data Frame数据框常用操作

Data Frame一般被翻译为数据框,感觉就像是R中的表,由行和列组成,与Matrix不同的是,每个列可以是不同的数据类型,而Matrix是必须相同的. Data Frame每一列有列名,每一行也可以指定行名.如果不指定行名,那么就是从1开始自增的Sequence来标识每一行. 初始化 使用data.frame函数就可以初始化一个Data Frame.比如我们要初始化一个student的Data Frame其中包含ID和Name还有Gender以及Birthdate,那么代码为: studen

R语言学习笔记:字符串处理

想在R语言中生成一个图形文件的文件名,前缀是fitbit,后面跟上月份,再加上".jpg",先不百度,试了试其它语言的类似语法,没一个可行的: C#中:"fitbit" + month + ".jpg" VB:"fitbit" & month & ".jpg" Haskell:"fitbit" ++ month ++ ".jpg" 还想到concat之

R语言Data Frame数据框常用操作

Data Frame一般被翻译为数据框,感觉就像是R中的表,由行和列组成,与Matrix不同的是,每个列可以是不同的数据类型,而Matrix是必须相同的. Data Frame每一列有列名,每一行也可以指定行名.如果不指定行名,那么就是从1开始自增的Sequence来标识每一行. 初始化 使用data.frame函数就可以初始化一个Data Frame.比如我们要初始化一个student的Data Frame其中包含ID和Name还有Gender以及Birthdate,那么代码为: studen