使用tidymodels食谱包添加缺少的指标栏

问题描述 投票:0回答:1

我想使用recipes程序包创建一个配方,该程序将估算缺失的数据并添加指示哪些值缺失的指示器列。如果可以选择在原始数据帧中的每一列都包含一个指标列,还是仅在原始数据帧中的那些列中包含缺失列的指标列之间进行选择,那也很好。我知道我可以使用recipes轻松估算缺失的值,但是是否有内置的方法来添加缺失的指标栏?

例如,如果我有这样的数据框:

> data.frame(x = c(1, NA, 3), y = 4:6)
   x y
1  1 4
2 NA 5
3  3 6

我希望在插补并添加缺少的指标列后的输出看起来像这样:

   x y x_missing
1  1 4     FALSE
2  2 5      TRUE
3  3 6     FALSE

当然,对于像这样的简单示例,我可以手工完成。但是,当在机器学习管道中使用大型数据集时,采用一种自动化的方法将很有帮助。

根据recipes::check_missing的文档,有columns参数,

columns变量名称的字符串,将由terms参数填充(最终)。

但是我不确定这是什么意思,因为terms没有check_missing参数。

作为参考,我正在寻找的功能由MissingIndicator类在scikit-learn中实现。

r r-recipes tidymodels
1个回答
0
投票

可以通过创建自定义步骤来执行此操作。按照vignettes之一中所述的过程,创建定义步骤的函数,然后为自定义步骤定义prepbake方法。

以下代码定义了创建缺失值指标的新步骤。添加新列,并在名称后添加后缀_missing

step_missing_ind <- function(recipe, 
                             ...,
                             role = NA, 
                             trained = FALSE,
                             columns = NULL,
                             skip = FALSE,
                             id = rand_id("missing_ind")) {
  terms <- ellipse_check(...)
  add_step(
    recipe,
    step_missing_ind_new(
      terms = terms, 
      trained = trained,
      role = role, 
      columns = columns,
      skip = skip,
      id = id
    )
  )
}

step_missing_ind_new <- function(terms, 
                                 role, 
                                 trained, 
                                 columns, 
                                 skip, 
                                 id) {
  step(
    subclass = "missing_ind",
    terms = terms,
    role = role,
    trained = trained,
    columns = columns,
    skip = skip,
    id = id
  )
}

print.step_missing_ind <- function(x, width = max(20, options()$width), ...) {
  cat("Missing indicator on ")
  cat(format_selectors(x$terms, width = width))
  if (x$trained) cat(" [trained]\n") else cat("\n")
  invisible(x)
}

prep.step_missing_ind <- function(x, training, info = NULL, ...) {
  col_names <- terms_select(terms = x$terms, info = info)
  step_missing_ind_new(
    terms = x$terms,
    trained = TRUE,
    role = x$role,
    columns = col_names,
    skip = x$skip,
    id = x$id
  )
}

bake.step_missing_ind <- function(object, new_data, ...) {
  for (var in object$columns) {
    new_data[[paste0(var, "_missing")]] <- is.na(new_data[[var]])
  }
  as_tibble(new_data)
}

然后,我们可以在配方管道中使用此缺失指标步骤,如以下示例所示,在该示例中,我们添加了缺失值指标并执行均值估算。缺失指标和插补步骤的顺序很重要:缺失指标步骤必须在插补步骤之前。

library(recipes)

data <- tribble(
  ~x, ~y, ~z,
  1, 4, 7,
  NA, 5, 8,
  3, 6, NA
)

recipe(~ ., data = data) %>%
  step_missing_ind(x, y, z) %>%
  step_meanimpute(x, y, z) %>%
  prep() %>%
  juice()

#> # A tibble: 3 x 6
#>       x     y     z x_missing y_missing z_missing
#>   <dbl> <dbl> <dbl> <lgl>     <lgl>     <lgl>    
#> 1     1     4   7   FALSE     FALSE     FALSE    
#> 2     2     5   8   TRUE      FALSE     FALSE    
#> 3     3     6   7.5 FALSE     FALSE     TRUE
© www.soinside.com 2019 - 2024. All rights reserved.