У меня ошибка в пропущенных значениях не допускается в подписанных назначениях кадров данных - PullRequest
Новая
       44

У меня ошибка в пропущенных значениях не допускается в подписанных назначениях кадров данных

0 голосов
/ 25 октября 2019

Я новичок в R и создаю коды R для своего личного проекта / упражнения. Данные, которые я использую, касаются опроса этнической принадлежности людей из Гонконга. Я использовал данные 2019 из http://data.hkupop.hku.hk/v3/hkupop/ethnic_identity/ch.html.

После удаления значений NA и сокращения столбцов до значения, необходимого для меня, я заметил, что данные сильно разбалансированы, поэтому я попытался использовать недостаточную выборку, ROSE ипоражал. (число значительно уменьшилось с 1015 наблюдений до 573)

Я удалил следующий столбец # из набора 

df_f <- df[,-c(1,2,5,6,8,9,11,12,14,15,17,18,20,21,25,26,27,29,32,33,34,35,37)]

Однако это не двоичные данные, поэтому мне пришлось форсироватьФакторы в eth_id объединяются в 0 = 1 & 3 (гонконгцы и китайцы Гонконга) и 1 = 2 & 4 (граждане Гонконга и китайцы)

Как я соединил факторы 

df_p$eth_id <- recode(df_p$eth_id, "c('1', '3')='1+3';c('2', '4') = '2+4'")

library(plyr)

revalue(df_p$eth_id, c('1+3' = 0)) -> df_p$eth_id
revalue(df_p$eth_id, c('2+4' = 1)) -> df_p$eth_id
  • 0 = Гонконгский гражданин + Гонконгский китайский гражданин
  • 1 = Китайский гражданин + китайский Гонконгский гражданин

Как я переименовал столбцы 

df_f <- df_f %>%  
              rename(
                        eth_id = Q001,
                        HongKonger = Q002A, 
                        Chinese = Q003A, 
                        PRC = Q004A,
                        CH_race = Q005A, 
                        Asian = Q006A, 
                        global = Q007A,
                        class1 = mid, 
                        housing1 = type, 
                        housing2 =  housingv2, 
                        pi = inclin 
                      )

КАК Я ОБРАБАТЫВАЛ свои NA и ненужные выбросы

Для столбцов [, 2: 7] я изменил их значения на 0 для NA, например, df_f$HongKonger <- ifelse(is.na(df_f$HongKonger),0,df_f$HongKonger) и т. Д.

А для остальных я удалил NA следующим образом: 

df_p <- na.omit(df_p, cols= c("eth_id","sex","agegp","edugp","occgp","class","class2","housing1","housing2","pi"), invert=FALSE)

На этом этапе моего набора данных у меня осталось 14 столбцов, и я переименовал их (см. Выше). Я загрузил окончательную структуру моих данных, ниже которой я использовал для ROSE и SMOTE :-)

Кроме того, я также удалил строки, которые были выбросами, такими как:

Удалите неопознаваемую этническую идентичность (8881 или уровень= 5) 

df_f <- df_f[!df_f$Q001 == "8881",] table(df_f$Q001) 
df_f <- df_f[!df_f$eth_id == "Don't know / hard to say",]
  • эти коды должны быть тщательно написаны, если вы запускаете их перед переименованием, используйте eth_id вместо Q001 и наоборот.

Теперь я продолжал получать эту ошибку при запуске ROSE: Ошибка в [<-.data.frame (*tmp*,, indY, значение = c (1L, 1L, 1L, 1L, 1L,:пропущенные значения недопустимы в подписанных назначениях фреймов данных.

Это очень вводит в заблуждение, потому что я полностью удалил значения NA (потому что все вопросы, связанные с этим, были связаны с проблемой NA, которая неприменимамой), и я даже изменил все мои значения факторов на числовые (потому что я думал, что программа не понимает? значения факторов.)

Я также получаю это сообщение об ошибке для SMOTE: Ошибка в именах (dn) <- dnn: попытка установить атрибут в NULL. Это mak </p> 

es me even more confused to the level that I am doubting the data itself being not applicable to machine learning. 

Here is the final structure of my data for your reference: 
'data.frame':   573 obs. of  14 variables:
 $ eth_id    : Factor w/ 2 levels "0","1": 2 2 1 2 1 1 1 1 1 1 ...
 $ HongKonger: num  9 0 0 0 0 2 0 2 0 8 ...
 $ Chinese   : num  9 9 1 3 7 0 7 9 0 0 ...
 $ PRC       : num  8 9 1 3 7 3 1 0 1 0 ...
 $ CH_race   : num  12 10 0 3 7 3 0 7 3 4 ...
 $ Asian     : num  0 7 6 0 0 2 2 0 0 6 ...
 $ global    : num  0 0 0 0 0 3 7 0 10 0 ...
 $ sex       : num  1 2 2 1 2 1 1 2 1 2 ...
 $ agegp     : num  6 5 2 2 6 5 2 4 6 1 ...
 $ edugp     : num  2 3 2 3 1 2 2 2 3 3 ...
 $ class1    : num  3 3 3 5 3 3 4 4 4 3 ...
 $ housing1  : num  1 1 2 2 1 2 1 2 1 1 ...
 $ housing2  : num  3 3 1 4 3 1 2 1 3 3 ...
 $ pi        : num  3 2 1 2 1 1 1 4 1 1 ...
 - attr(*, "na.action")= 'omit' Named int  14 24 46 52 58 67 77 84 94 129 ...
  ..- attr(*, "names")= chr  "25" "44" "82" "90" ...

#How I divided the data into train and test set 

    set.seed(123)
    index <- createDataPartition(df_p$eth_id, p = 0.7, list = FALSE)
    train_data <- df_p[index, ]
        test_data  <- df_p[-index, ]

    head(test_data)
    str(train_data)

    #How I used ROSE for under-sampling  

library(ROSE)
ovun.sample(formula = train_data$eth_id ~ ., data = train_data, method="under", N = 250,seed = 123)$data

Как я использовал ROSE для «обоих» 

ovun.sample(formula = train_data$eth_id ~ . , data = train_data, method="both",
            na.action=options("na.omit")$na.action,p=0.5,seed = 123)$data

Как я использовал SMOTE 

SMOTE(form = train_data$eth_id ~., data = train_data, perc.over = 100, k = 5, perc.under = 200)

Я продолжаю получать: 1) для ROSE: ошибка в [<-.data.frame (*tmp*,, indY, value = c (1L, 1L, 1L, 1L, 1L,: пропущенные значения не допускаются в подписке)присвоение фреймов данных

2) для SMOTE: ошибка в именах (dn) <- dnn: atmpt для установки атрибута в NULL </p>

  • Я также запутался, если изменить все факторы на числовое значение, это сделало бы его действительным.

Спасибо и спасибо, что поделилисьзнание впереди.

...