2

良い一日、

あなたの優れたレビューのために、2つの[おそらく]非常にちっぽけな問題を提示します.

問題＃1

薄暗い 10299 x 563 の比較的整頓された df (dat) があります。 [作成された] datの両方のデータセットに共通する 563 の変数は、'subject' (数値)、'label' (数値)、3:563 (a からの変数名) です。テキストファイル）。観察 1:2947 は「テスト」データセットからのものであり、観察 2948:10299 は「トレーニング」データセットからのものです。

列 (header = 'type') を dat に挿入したいと思います。これは基本的に行 1:2947 で構成され、文字列テストと文字列列車の行 2948:10299 で構成され、後でデータセットまたは他の同様の集計関数でグループ化できます。 dplyr/tidyr。

テスト df (testdf = 1:10299: dim(testdf) = 102499 x 1) を作成してから:

testdat[1:2947 , "type"] <- c("test")
testdat[2948:10299, "type"] <- c("train")
> head(ds, 2);tail(ds, 2)
  X1.10299 type
1        1 test
2        2 test
      X1.10299  type
10298    10298 train
10299    10299 train

ですから、X1.10299 の列があるのは本当に気に入りません。

質問:

  • 上記のユースケースに基づいて、探しているものを含む列を作成するためのより適切で便利な方法はありますか?
  • その列を実際に 'dat' に挿入して、後で dplyr でグループ化するために使用できるようにする良い方法は何ですか?

問題＃2

上記から [ほぼ] きちんとした df (dat) にたどり着いた方法は、dim (2947 x 563 と 7352 x 563) の形式の 2 つの dfs (テストとトレーニング) をそれぞれ取り、それらをrbinedすることでした。

次のような方法で、バインド作業後にすべての変数名が存在することを確認します。

test.names <- names(test)
train.names <- names(train)
identical(test.names, train.names)
> TRUE

興味深い点と主な懸念点は、 「dplyr」のbind_rows関数を使用して同じバインディングの演習を実行しようとすると、次のようになることです。

dat <- bind_rows(test, train)

明らかにすべての観測結果 (x: 10299) を保持するデータフレームを返しますが、変数の数が 563 から 470 に減りました!

質問：

  • 私の変数が切り刻まれている理由を誰かが知っていますか?
  • これは、後で dplyr/ でスライス/ダイシングするために同じ構造の 2 つの dfs を組み合わせる最良の方法ですか?

きちんとした？

これらの点についてご検討いただきありがとうございます。

レビュー用のテスト/トレーニング dfs のサンプル (左端の数字は df インデックス):

テスト df テスト[1:10、1:5]

   subject labels tBodyAcc-mean()-X tBodyAcc-mean()-Y tBodyAcc-mean()-Z
1        2      5         0.2571778       -0.02328523       -0.01465376
2        2      5         0.2860267       -0.01316336       -0.11908252
3        2      5         0.2754848       -0.02605042       -0.11815167
4        2      5         0.2702982       -0.03261387       -0.11752018
5        2      5         0.2748330       -0.02784779       -0.12952716
6        2      5         0.2792199       -0.01862040       -0.11390197
7        2      5         0.2797459       -0.01827103       -0.10399988
8        2      5         0.2746005       -0.02503513       -0.11683085
9        2      5         0.2725287       -0.02095401       -0.11447249
10       2      5         0.2757457       -0.01037199       -0.09977589

train df train[1:10, 1:5] 

   subject label tBodyAcc-mean()-X tBodyAcc-mean()-Y tBodyAcc-mean()-Z
1        1     5         0.2885845      -0.020294171        -0.1329051
2        1     5         0.2784188      -0.016410568        -0.1235202
3        1     5         0.2796531      -0.019467156        -0.1134617
4        1     5         0.2791739      -0.026200646        -0.1232826
5        1     5         0.2766288      -0.016569655        -0.1153619
6        1     5         0.2771988      -0.010097850        -0.1051373
7        1     5         0.2794539      -0.019640776        -0.1100221
8        1     5         0.2774325      -0.030488303        -0.1253604
9        1     5         0.2772934      -0.021750698        -0.1207508
10       1     5         0.2805857      -0.009960298        -0.1060652

実際のコード (関数呼び出しは無視してください。ほとんどのテストはコンソール経由で行っています)。

[ http://archive.ics.uci.edu/ml/machine-learning-databases/00240/ ]このコードで使用しているデータ セット。1

run_analysis <- function () {
    #Vars available for use throughout the function that should be preserved
    vars <- read.table("features.txt", header = FALSE, sep = "")
    lookup_table <- data.frame(activitynum = c(1,2,3,4,5,6), 
                               activity_label = c("walking", "walking_up", 
                                                  "walking_down", "sitting", 
                                                  "standing", "laying"))
    test <- test_read_process(vars, lookup_table)
    train <- train_read_process(vars, lookup_table)
}

test_read_process <- function(vars, lookup_table) {
    #read in the three documents for cbinding later
    test.sub <- read.table("test/subject_test.txt", header = FALSE)
    test.labels <- read.table("test/y_test.txt", header = FALSE)
    test.obs <- read.table("test/X_test.txt", header = FALSE, sep = "")

    #cbind the cols together and set remaining colNames to var names in vars
    test.dat <- cbind(test.sub, test.labels, test.obs)  
    colnames(test.dat) <- c("subject", "labels", as.character(vars[,2]))

    #Use lookup_table to set the "test_labels" string values that correspond
    #to their integer IDs
    #test.lookup <- merge(test, lookup_table, by.x = "labels", 
    #               by.y ="activitynum", all.x = T)

    #Remove temporary symbols from globalEnv/memory
    rm(test.sub, test.labels, test.obs)

    #return
    return(test.dat)
}

train_read_process <- function(vars, lookup_table) {
    #read in the three documents for cbinding
    train.sub <- read.table("train/subject_train.txt", header = FALSE)
    train.labels <- read.table("train/y_train.txt", header = FALSE)
    train.obs <- read.table("train/X_train.txt", header = FALSE, sep = "")

    #cbind the cols together and set remaining colNames to var names in vars
    train.dat <- cbind(train.sub, train.labels, train.obs)    
    colnames(train.dat) <- c("subject", "label", as.character(vars[,2]))

    #Clean up temporary symbols from globalEnv/memory
    rm(train.sub, train.labels, train.obs, vars)

    return(train.dat)
}
4

1 に答える 1

1

あなたが直面している問題は、データ フレーム オブジェクトの作成に使用している変数リストに重複した名前があるという事実に起因しています。列名が一意であり、オブジェクト間で共有されていることを確認すると、コードが実行されます。上記で使用したコードに基づいて完全に機能する例を含めました（コメントに修正とさまざまな編集が記載されています）：

vars <- read.table(file="features.txt", header=F, stringsAsFactors=F)

##  FRS: This is the source of original problem:
duplicated(vars[,2])
vars[317:340,2]
duplicated(vars[317:340,2])
vars[396:419,2]

##  FRS: I edited the following to both account for your data and variable
##    issues:
test_read_process <- function() {
  #read in the three documents for cbinding later
  test.sub <- read.table("test/subject_test.txt", header = FALSE)
  test.labels <- read.table("test/y_test.txt", header = FALSE)
  test.obs <- read.table("test/X_test.txt", header = FALSE, sep = "")

  #cbind the cols together and set remaining colNames to var names in vars
  test.dat <- cbind(test.sub, test.labels, test.obs)  
  #colnames(test.dat) <- c("subject", "labels", as.character(vars[,2]))
  colnames(test.dat) <- c("subject", "labels", paste0("V", 1:nrow(vars)))

  return(test.dat)
}

train_read_process <- function() {
  #read in the three documents for cbinding
  train.sub <- read.table("train/subject_train.txt", header = FALSE)
  train.labels <- read.table("train/y_train.txt", header = FALSE)
  train.obs <- read.table("train/X_train.txt", header = FALSE, sep = "")

  #cbind the cols together and set remaining colNames to var names in vars
  train.dat <- cbind(train.sub, train.labels, train.obs)    
  #colnames(train.dat) <- c("subject", "labels", as.character(vars[,2]))
  colnames(train.dat) <- c("subject", "labels", paste0("V", 1:nrow(vars)))

  return(train.dat)
}


test_df <- test_read_process()
train_df <- train_read_process()

identical(names(test_df), names(train_df))


library("dplyr")

## FRS: These could be piped together but I've kept them separate for clarity:
train_df %>%
  mutate(test="train") -> 
  train_df

test_df %>%
  mutate(test="test") -> 
  test_df

test_df %>% 
  bind_rows(train_df) -> 
  out_df

head(out_df)
out_df

##  FRS: You can set your column names to those of the original 
##    variable list but you still have duplicates to deal with:
names(out_df) <- c("subject", "labels", as.character(vars[,2]), "test")

duplicated(names(out_df))
于 2015-05-11T18:02:59.410 に答える