Padronizar colunas de dados em R

Eu tenho um conjunto de dados chamado spamque contém 58 colunas e aproximadamente 3500 linhas de dados relacionadas a mensagens de spam.

Planejo executar alguma regressão linear neste conjunto de dados no futuro, mas gostaria de fazer um pré-processamento antecipado e padronizar as colunas para ter média zero e variação de unidade.

Foi-me dito que a melhor maneira de fazer isso é com o R, então gostaria de perguntar como posso alcançar a normalização com o R ? Eu já tenho os dados carregados corretamente e estou apenas procurando por alguns pacotes ou métodos para executar esta tarefa.

Devo assumir que você quis dizer que queria uma média de 0 e um desvio padrão de 1. Se seus dados estiverem em um quadro de dados e todas as colunas forem numéricas, você pode simplesmente chamar a scalefunção nos dados para fazer o que quiser.

dat <- data.frame(x = rnorm(10, 30, .2), y = runif(10, 3, 5))
scaled.dat <- scale(dat)

# check that we get mean of 0 and sd of 1
colMeans(scaled.dat)  # faster version of apply(scaled.dat, 2, mean)
apply(scaled.dat, 2, sd)

Usar funções incorporadas é elegante. Como este gato:

Percebendo que a pergunta é antiga e uma resposta é aceita, fornecerei outra resposta para referência.

scaleé limitado pelo fato de dimensionar todas as variáveis . A solução abaixo permite dimensionar apenas nomes de variáveis ​​específicos, preservando outras variáveis ​​inalteradas (e os nomes de variáveis ​​podem ser gerados dinamicamente):

library(dplyr)

set.seed(1234)
dat <- data.frame(x = rnorm(10, 30, .2), 
                  y = runif(10, 3, 5),
                  z = runif(10, 10, 20))
dat

dat2 <- dat %>% mutate_at(c("y", "z"), ~(scale(.) %>% as.vector))
dat2

o que me dá o seguinte:

> dat
          x        y        z
1  29.75859 3.633225 14.56091
2  30.05549 3.605387 12.65187
3  30.21689 3.318092 13.04672
4  29.53086 3.079992 15.07307
5  30.08582 3.437599 11.81096
6  30.10121 4.621197 17.59671
7  29.88505 4.051395 12.01248
8  29.89067 4.829316 12.58810
9  29.88711 4.662690 19.92150
10 29.82199 3.091541 18.07352

e

> dat2 <- dat %>% mutate_at(c("y", "z"), ~(scale(.) %>% as.vector))
> dat2
          x          y           z
1  29.75859 -0.3004815 -0.06016029
2  30.05549 -0.3423437 -0.72529604
3  30.21689 -0.7743696 -0.58772361
4  29.53086 -1.1324181  0.11828039
5  30.08582 -0.5946582 -1.01827752
6  30.10121  1.1852038  0.99754666
7  29.88505  0.3283513 -0.94806607
8  29.89067  1.4981677 -0.74751378
9  29.88711  1.2475998  1.80753470
10 29.82199 -1.1150515  1.16367556

EDIT 1 (2016) : Abordado o comentário de Julian: a saída de scaleé a matriz Nx1, então idealmente devemos adicionar um as.vectorpara converter o tipo de matriz novamente em um tipo vetorial. Obrigado Julian!

EDIT 2 (2019) : Citando o comentário de Duccio A.: Para o dplyr mais recente (versão 0.8), você precisa alterar dplyr :: funcs com list, comodat %>% mutate_each_(list(~scale(.) %>% as.vector), vars=c("y","z"))

EDIT 3 (2020) : Graças a @mj_whales: a solução antiga foi preterida e agora precisamos usá-la mutate_at.

Isso tem 3 anos. Ainda assim, sinto que tenho que adicionar o seguinte:

A normalização mais comum é a transformação z , onde você subtrai a média e divide pelo desvio padrão de sua variável. O resultado terá média = 0 e sd = 1.

Para isso, você não precisa de nenhum pacote.

zVar <- (myVar - mean(myVar)) / sd(myVar)

É isso aí.

O pacote 'Caret' fornece métodos para pré-processamento de dados (por exemplo, centralização e dimensionamento). Você também pode usar o seguinte código:

library(caret)
# Assuming goal class is column 10
preObj <- preProcess(data[, -10], method=c("center", "scale"))
newData <- predict(preObj, data[, -10])

Mais detalhes: http://www.inside-r.org/node/86978

Quando usei a solução declarada por Dason, em vez de obter um quadro de dados como resultado, obtive um vetor de números (os valores dimensionados do meu df).

Caso alguém esteja tendo o mesmo problema, você deve adicionar as.data.frame () ao código, assim:

df.scaled <- as.data.frame(scale(df))

Espero que seja útil para pessoas com o mesmo problema!

Você pode facilmente normalizar os dados também usando a função data.Normalization no pacote clusterSim. Ele fornece um método diferente de normalização de dados.

    data.Normalization (x,type="n0",normalization="column")

Argumentos

x
vetor, matriz ou tipo de conjunto de dados
de normalização: n0 - sem normalização

n1 - padronização ((média x) / dp)

n2 - padronização posicional ((x-mediana) / mad)

n3 - unitização ((média x) / intervalo)

n3a - unitização posicional ((x-mediana) / intervalo)

n4 - unitização com zero mínimo ((x-min) / faixa)

n5 - normalização no intervalo <-1,1> ((média-x) / máx (abs (média-x)))

n5a - normalização posicional no intervalo <-1,1> ((x-mediana) / máx (abs (x-mediana)))

n6 - transformação de quociente (x / sd)

n6a - transformação de quociente posicional (x / mad)

n7 - transformação de quociente (x / intervalo)

n8 - transformação de quociente (x / max)

n9 - transformação de quociente (x / média)

n9a - transformação do quociente posicional (x / mediana)

n10 - transformação de quociente (x / soma)

n11 - transformação de quociente (x / sqrt (SSQ))

n12 - normalização ((média x) / sqrt (soma ((média x) ^ 2)))

n12a - normalização posicional ((x-mediana) / sqrt (soma ((x-mediana) ^ 2))))

n13 - normalização com zero sendo o ponto central ((faixa intermediária x) / (faixa / 2))

normalização
"coluna" - normalização por variável, "linha" - normalização por objeto

Com a dplyrv0.7.4, todas as variáveis ​​podem ser dimensionadas usando mutate_all():

library(dplyr)
#> 
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:stats':
#> 
#>     filter, lag
#> The following objects are masked from 'package:base':
#> 
#>     intersect, setdiff, setequal, union
library(tibble)

set.seed(1234)
dat <- tibble(x = rnorm(10, 30, .2), 
              y = runif(10, 3, 5),
              z = runif(10, 10, 20))

dat %>% mutate_all(scale)
#> # A tibble: 10 x 3
#>         x      y       z
#>     <dbl>  <dbl>   <dbl>
#>  1 -0.827 -0.300 -0.0602
#>  2  0.663 -0.342 -0.725 
#>  3  1.47  -0.774 -0.588 
#>  4 -1.97  -1.13   0.118 
#>  5  0.816 -0.595 -1.02  
#>  6  0.893  1.19   0.998 
#>  7 -0.192  0.328 -0.948 
#>  8 -0.164  1.50  -0.748 
#>  9 -0.182  1.25   1.81  
#> 10 -0.509 -1.12   1.16

Variáveis ​​específicas podem ser excluídas usando mutate_at():

dat %>% mutate_at(scale, .vars = vars(-x))
#> # A tibble: 10 x 3
#>        x      y       z
#>    <dbl>  <dbl>   <dbl>
#>  1  29.8 -0.300 -0.0602
#>  2  30.1 -0.342 -0.725 
#>  3  30.2 -0.774 -0.588 
#>  4  29.5 -1.13   0.118 
#>  5  30.1 -0.595 -1.02  
#>  6  30.1  1.19   0.998 
#>  7  29.9  0.328 -0.948 
#>  8  29.9  1.50  -0.748 
#>  9  29.9  1.25   1.81  
#> 10  29.8 -1.12   1.16

Criado em 24/04/2018 pelo pacote reprex (v0.2.0).

Novamente, mesmo que essa seja uma pergunta antiga, é muito relevante! E eu encontrei uma maneira simples de normalizar determinadas colunas sem a necessidade de nenhum pacote:

normFunc <- function(x){(x-mean(x, na.rm = T))/sd(x, na.rm = T)}

Por exemplo

x<-rnorm(10,14,2)
y<-rnorm(10,7,3)
z<-rnorm(10,18,5)
df<-data.frame(x,y,z)

df[2:3] <- apply(df[2:3], 2, normFunc)

Você verá que as colunas y e z foram normalizadas. Não são necessários pacotes :-)

A escala pode ser usada para o quadro de dados completo e colunas específicas. Para colunas específicas, o seguinte código pode ser usado:

trainingSet[, 3:7] = scale(trainingSet[, 3:7]) # For column 3 to 7
trainingSet[, 8] = scale(trainingSet[, 8]) # For column 8 

Quadro de dados completo

trainingSet <- scale(trainingSet)

O dplyrpacote tem duas funções que fazem isso.

> require(dplyr)

A sofrer mutações específicas colunas de uma tabela de dados, você pode usar a função mutate_at(). Para alterar todas as colunas, você pode usar mutate_all.

A seguir, é apresentado um breve exemplo do uso dessas funções para padronizar dados.

Mude colunas específicas:

dt = data.table(a = runif(3500), b = runif(3500), c = runif(3500))
dt = data.table(dt %>% mutate_at(vars("a", "c"), scale)) # can also index columns by number, e.g., vars(c(1,3))

> apply(dt, 2, mean)
            a             b             c 
 1.783137e-16  5.064855e-01 -5.245395e-17 

> apply(dt, 2, sd)
        a         b         c 
1.0000000 0.2906622 1.0000000 

Mude todas as colunas:

dt = data.table(a = runif(3500), b = runif(3500), c = runif(3500))
dt = data.table(dt %>% mutate_all(scale))

> apply(dt, 2, mean)
            a             b             c 
-1.728266e-16  9.291994e-17  1.683551e-16 

> apply(dt, 2, sd)
a b c 
1 1 1 

Antes de encontrar esse tópico, tive o mesmo problema. Eu tinha tipos de colunas dependentes do usuário, então escrevi um forloop passando por eles e obtendo as colunas necessárias scale'd. Provavelmente existem maneiras melhores de fazer isso, mas isso resolveu o problema muito bem:

 for(i in 1:length(colnames(df))) {
        if(class(df[,i]) == "numeric" || class(df[,i]) == "integer") {
            df[,i] <- as.vector(scale(df[,i])) }
        }

as.vectoré uma parte necessária, porque acabou scalefaz rownames x 1matriz que geralmente não é o que você quer ter na sua data.frame.

Use o pacote "recomenderlab". Baixe e instale o pacote. Este pacote possui um comando "Normalizar" incorporado. Também permite que você escolha um dos muitos métodos para normalização, ou seja, 'centro' ou 'escore Z'. Siga o exemplo a seguir:

## create a matrix with ratings
m <- matrix(sample(c(NA,0:5),50, replace=TRUE, prob=c(.5,rep(.5/6,6))),nrow=5, ncol=10, dimnames = list(users=paste('u', 1:5, sep=&rdquo;), items=paste('i', 1:10, sep=&rdquo;)))

## do normalization
r <- as(m, "realRatingMatrix")
#here, 'centre' is the default method
r_n1 <- normalize(r) 
#here "Z-score" is the used method used
r_n2 <- normalize(r, method="Z-score")

r
r_n1
r_n2

## show normalized data
image(r, main="Raw Data")
image(r_n1, main="Centered")
image(r_n2, main="Z-Score Normalization")

A função normalizar do pacote BBMisc foi a ferramenta certa para mim, pois pode lidar com os valores de NA.

Aqui está como usá-lo:

Dado o seguinte conjunto de dados,

    ASR_API     <- c("CV",  "F",    "IER",  "LS-c", "LS-o")
    Human       <- c(NA,    5.8,    12.7,   NA, NA)
    Google      <- c(23.2,  24.2,   16.6,   12.1,   28.8)
    GoogleCloud <- c(23.3,  26.3,   18.3,   12.3,   27.3)
    IBM     <- c(21.8,  47.6,   24.0,   9.8,    25.3)
    Microsoft   <- c(29.1,  28.1,   23.1,   18.8,   35.9)
    Speechmatics    <- c(19.1,  38.4,   21.4,   7.3,    19.4)
    Wit_ai      <- c(35.6,  54.2,   37.4,   19.2,   41.7)
    dt     <- data.table(ASR_API,Human, Google, GoogleCloud, IBM, Microsoft, Speechmatics, Wit_ai)
> dt
   ASR_API Human Google GoogleCloud  IBM Microsoft Speechmatics Wit_ai
1:      CV    NA   23.2        23.3 21.8      29.1         19.1   35.6
2:       F   5.8   24.2        26.3 47.6      28.1         38.4   54.2
3:     IER  12.7   16.6        18.3 24.0      23.1         21.4   37.4
4:    LS-c    NA   12.1        12.3  9.8      18.8          7.3   19.2
5:    LS-o    NA   28.8        27.3 25.3      35.9         19.4   41.7

valores normalizados podem ser obtidos assim:

> dtn <- normalize(dt, method = "standardize", range = c(0, 1), margin = 1L, on.constant = "quiet")
> dtn
   ASR_API      Human     Google GoogleCloud         IBM  Microsoft Speechmatics      Wit_ai
1:      CV         NA  0.3361245   0.2893457 -0.28468670  0.3247336  -0.18127203 -0.16032655
2:       F -0.7071068  0.4875320   0.7715885  1.59862532  0.1700986   1.55068347  1.31594762
3:     IER  0.7071068 -0.6631646  -0.5143923 -0.12409420 -0.6030768   0.02512682 -0.01746131
4:    LS-c         NA -1.3444981  -1.4788780 -1.16064578 -1.2680075  -1.24018782 -1.46198764
5:    LS-o         NA  1.1840062   0.9323361 -0.02919864  1.3762521  -0.15435044  0.32382788

onde o método calculado manualmente ignora colmuns contendo NAs:

> dt %>% mutate(normalizedHuman = (Human - mean(Human))/sd(Human)) %>% 
+ mutate(normalizedGoogle = (Google - mean(Google))/sd(Google)) %>% 
+ mutate(normalizedGoogleCloud = (GoogleCloud - mean(GoogleCloud))/sd(GoogleCloud)) %>% 
+ mutate(normalizedIBM = (IBM - mean(IBM))/sd(IBM)) %>% 
+ mutate(normalizedMicrosoft = (Microsoft - mean(Microsoft))/sd(Microsoft)) %>% 
+ mutate(normalizedSpeechmatics = (Speechmatics - mean(Speechmatics))/sd(Speechmatics)) %>% 
+ mutate(normalizedWit_ai = (Wit_ai - mean(Wit_ai))/sd(Wit_ai))
  ASR_API Human Google GoogleCloud  IBM Microsoft Speechmatics Wit_ai normalizedHuman normalizedGoogle
1      CV    NA   23.2        23.3 21.8      29.1         19.1   35.6              NA        0.3361245
2       F   5.8   24.2        26.3 47.6      28.1         38.4   54.2              NA        0.4875320
3     IER  12.7   16.6        18.3 24.0      23.1         21.4   37.4              NA       -0.6631646
4    LS-c    NA   12.1        12.3  9.8      18.8          7.3   19.2              NA       -1.3444981
5    LS-o    NA   28.8        27.3 25.3      35.9         19.4   41.7              NA        1.1840062
  normalizedGoogleCloud normalizedIBM normalizedMicrosoft normalizedSpeechmatics normalizedWit_ai
1             0.2893457   -0.28468670           0.3247336            -0.18127203      -0.16032655
2             0.7715885    1.59862532           0.1700986             1.55068347       1.31594762
3            -0.5143923   -0.12409420          -0.6030768             0.02512682      -0.01746131
4            -1.4788780   -1.16064578          -1.2680075            -1.24018782      -1.46198764
5             0.9323361   -0.02919864           1.3762521            -0.15435044       0.32382788

(normalizedHuman é feita uma lista de NAs ...)

com relação à seleção de colunas específicas para cálculo, um método genérico pode ser empregado como este:

data_vars <- df_full %>% dplyr::select(-ASR_API,-otherVarNotToBeUsed)
meta_vars <- df_full %>% dplyr::select(ASR_API,otherVarNotToBeUsed)
data_varsn <- normalize(data_vars, method = "standardize", range = c(0, 1), margin = 1L, on.constant = "quiet")
dtn <- cbind(meta_vars,data_varsn)

O @BBKim praticamente deu a melhor resposta, mas isso pode ser feito mais curto. Estou surpreso que ninguém tenha pensado nisso ainda.

dat <- data.frame(x = rnorm(10, 30, .2), y = runif(10, 3, 5)) dat <- apply(dat, 2, function(x) (x - mean(x)) / sd(x))