R 的一个热编码

Question

是否有与 sklearn.preprocessing 的 OneHotEncoder 相当的 R 语言？

我想在我的火车数据上安装一个 OHE，对其进行转换，然后通过相同的转换来转换我的测试数据。

例如在python中：

import pandas as pd
from sklearn.preprocessing import OneHotEncoder
train = pd.DataFrame(['a','a','b','c','d'])
test = pd.DataFrame(['a','a'])
ohe = OneHotEncoder(drop='first')
train_dummies = ohe.fit_transform(train)
test_dummies = ohe.transform(test)

我能在 R 中找到的最接近的等价物是插入符号的 dummyVars()，但以下代码片段失败：

library(caret)
train = data.frame(a=c('a','a','b','c','d'))
dummies = dummyVars(~ ., data = train)
train_dummies = predict(dummies, newdata = train)
test = data.frame(a=c('a','a'))
test_dummies = predict(dummies, newdata = test)

与

Error in `contrasts<-`(`*tmp*`, value = contr.funs[1 + isOF[nn]]) : 
  contrasts can be applied only to factors with 2 or more levels

发生此故障是因为 test 中的 a 只有一个级别，尽管 train 中的 a 上安装了 4 个级别的假人。 R 中是否有更好的等价物，或者如果有必要，可以做一些软糖来使它起作用？还有什么方法可以按照 python 复制“降低第一级”？

Answer 1

R 中有

fastDummies

用于单热编码。

library(fastDummies)

train = data.frame(col=c('a','a','b','c','d'))
dummy_cols(train, 
          remove_first_dummy = T,
          remove_selected_columns = T)

输出

  col_b col_c col_d
1     0     0     0
2     0     0     0
3     1     0     0
4     0     1     0
5     0     0     1

^{创建于 2023-04-14 与 reprex v2.0.2}

Answer 2

我猜你需要在使用之前将变量转换为因子

dummyVars

# Create train and test data frames
train <- data.frame(a = c('a', 'a', 'b', 'c', 'd'))
test <- data.frame(a = c('a', 'a'))

# Convert input variables to factors
train$a <- as.factor(train$a)
test$a <- as.factor(test$a)

# Perform one-hot encoding using caret
dummies <- caret::dummyVars("~.", data = train)
train_dummies <- predict(dummies, newdata = train)
test_dummies <- predict(dummies, newdata = test)

> dummies
Dummy Variable Object

Formula: ~.
<environment: 0x7f9dd8053160>
1 variables, 1 factors
Variables and levels will be separated by '.'
A less than full rank encoding is used

> test_dummies
  a.a a.b a.c a.d
1   1   0   0   0
2   1   0   0   0