为无监督学习生成合成数据

Question

我想为随机森林的无监督学习准备数据。程序如下：

• 获取数据并将值为1的属性“class”添加到所有示例
• 从原始数据生成合成数据：＜ul＞
• 虽然您没有原始数据构建示例中的示例数量：＜ul＞
• 从原始数据中该属性的所有值中采样新属性值
• 对所有属性执行此操作，并将它们组合到新示例中

最后它看起来像这样：

        ...      Class
                |1
     Original   |1
     Data       |1
                |1
    --------------
                |2
     Synthetic  |2
     Data       |2
                |2

我的R代码如下：

library(gtools) #for smartbind()

sample1 <- function(X)   { sample(X, replace=T) } 
g1      <- function(dat) { apply(dat,2,sample1) }

data$class <- rep(1, times=nrow(data)) #add attribute 'class' with value 1

synthData<-data.frame(g1(data[,1:ncol(data)])) #generate synthetic data with sampling from data
synthData$class <- rep(2, times=nrow(synthData)) #attribute 'class' is 2
colnames(synthData) <- colnames(data)
newData <- smartbind(data, synthData) #bind the data together

很明显，我对R很陌生，但它是有效的——只有一个问题：合成数据中的属性类型与原始数据中的不同。如果在原始数据中它们是数字，现在它们变成了因子。我如何在生成合成数据时保留相同的类型？

谢谢！

数据1（nums变为因子）：

结构（列表（V2=c（1.51793、1.51711、1.51645、1.51916、1.51131），V3=c（13.21、12.89、13.44、14.15、13.69），V4=c（3.48、3.62、3.61、0、3.2），V5=c（1.41、1.57、1.54、2.09、1.81），V6=c（72.64、72.96、72.39、72.74、72.81），V7=c（0.59、0.61、0.66、0、1.76），V8=c（8.43、8.11、8.03、10.88、5.43），V9=c（0，0，0、0，1.19），V10=c（0、0、0和0），realClass=结构（c（1L、2L、2L、5L、6L），.标签=c（“1”、“2”、“3”、“5”、“6”、“7”），class=“factor”），.名称=c（”V2“、”V3“、”V4“、”V5“、”V6“、”V7“、”V8“、”V9“、”V10“、“realClass”），行。名称=c（27L、138L、77L、183L、186L），class=“data.frame”）

数据2（因子变为chrs）：

结构（列表（realClass=结构（c（2L，2L，1L，2L），.Label=c（“e”，“p”），class=“factor”），V2=结构（c（6L，3L，4L，6L，6L，6L），.LLabel=c（”b“，”c“，”f“，”k“，”s“，”x“），class=”factor“），V3=结构），class=“factor”），V4=结构（c（5L，5L，3L，4L），.Label=c（“b”，“c”，“e”，“g”，“n”，“p”，“r”，“u”，“w”，“y”），class=“factor”），V5=结构（c（1L，1L，2L，2L，1L），.Label=c（“f”，“t”），class=“factor”），V6=结构（c（3L，9L，3L，6L，3L），.Rabel=c a“，”f“），class=“因子”），V8=结构（c（1L，1L，2L，1L，1L），.标签=c（“c”，“w”），class=”因子“），V9=结构（c（2L，2L，1L，1L，1L），.标签=c（“b”，“n”），class=“因子”），V10=结构（c（1L，4L，1LL，1L、10L，4L），.Label=c（“b”，“e”，“g”，“h”，“k”，“n”，“o”，“p”，“r”，“u”，“w”，“y”），class=“因子“），V11=结构），.Label=c（“e”，“t”），class=“factor”），V12=结构（c（NA，NA，1L，1L），.LLabel=c（”b“，”c“，”e“，”r“），class=”factor“），V13=结构（c（3L、2L、3L、3L、2L），.标签=c（“f”、“k”、“s”、“y”），class=“factor”），V14=结构（c（3L，3L，2L，3L，2L）n”，“o”，“p”，“w”，“y”），class=“factor”），V16=结构（c（7L，7L，8L，4L，1L），.标签=c（“b”，“c”，“e”，“g”，“n”，class=“factor”），V17=结构（c（1L，1L，2L，1L，1L），.Label=“p”，class=“factor”），V18=结构（c（3L，3L，3L，3L），.Label=c（“n”，“o”，“w”，“y”），class=“factor”）c（1L，1L，2L，5L，3L），.标签=c（“e”，“f”，“l”，“n”，“p”），class=“factor”），V21=结构（c（8L、8L、7L、4L、2L），.标签=c（“b”、“h”、“k”、“n”、“o”、“r”、“u”、“w”、“y”），class=“因子”），V22=结构（c（5L、5L、5L、5L和6L），。标签=c，.标签=c（“d”，“g”，“l”，“m”，“p”，“u”，“w”），class=“factor”）），.Names=c（“realClass”、“V2”、“V3”、“V4”、“V5”、“V6”、“V7”、“V8”、“V9”、“V10”、”V11“、”V12“、“V13”、“V14”、“V15”、“V1 6”、“V27”、“V38”、“V49”、”V20“、”V21“、“V22”、“V23”），行。名称=c（4105L、6207L、6696L、2736L、3756L），class=“data.frame”）

Answer 1

您可以始终使用此技巧来设置数字列

numcol <- as.numeric(as.character(factcol))

但是我怀疑你的data.frame中有factor变量。因为< code>apply返回一个矩阵，如果你的数据中有一个factor，那么所有的数值变量也会被强制为factor。

这是一个例子，使用玩具数据集

set.seed(123)
toydat <- data.frame(A = 1:10, B = rnorm(10), C = LETTERS[1:10])
str(toydat)

## 'data.frame':    10 obs. of  3 variables:
##  $ A: int  1 2 3 4 5 6 7 8 9 10
##  $ B: num  -0.5605 -0.2302 1.5587 0.0705 0.1293 ...
##  $ C: Factor w/ 10 levels "A","B","C","D",..: 1 2 3 4 5 6 7 8 9 10

set.seed(1)
str(data.frame(apply(toydat[,1:2], 2, sample, replace = TRUE)))

## 'data.frame':    10 obs. of  2 variables:
##  $ A: num  3 4 6 10 3 9 10 7 7 1
##  $ B: num  1.5587 -0.2302 0.4609 0.0705 -1.2651 ...

# with the factor column C     
set.seed(2)
str(data.frame(apply(toydat[,1:3], 2, sample, replace = TRUE)))

## 'data.frame':    10 obs. of  3 variables:
##  $ A: Factor w/ 6 levels "10"," 2"," 5",..: 2 5 4 2 1 1 2 6 3 4
##  $ B: Factor w/ 8 levels " 0.129288","-0.230177",..: 8 7 6 2 1 5 3 7 1 4
##  $ C: Factor w/ 6 levels "B","D","E","G",..: 4 2 5 1 2 3 1 2 6 1

这就是 plyr 包变得有用的地方，因为您可以控制输出（使用 **ply）。但在这种情况下，共行函数就足够了

require(plyr)
set.seed(2)
mysamplingfun <- colwise(function(x) sample(x, replace = TRUE))
str(mysamplingfun(toydat[,1:3]))

## 'data.frame':    10 obs. of  3 variables:
##  $ A: int  2 8 6 2 10 10 2 9 5 6
##  $ B: num  1.715 1.559 -1.265 -0.23 0.129 ...
##  $ C: Factor w/ 10 levels "A","B","C","D",..: 7 4 9 2 4 5 2 4 10 2