web-dev-qa-db-fra.com

Supprimer les variables hautement corrélées

J'ai une énorme trame de données 5600 X 6592 et je veux supprimer toutes les variables qui sont corrélées les unes aux autres plus de 0,99 Je sais comment le faire à long terme, étape par étape, c'est-à-dire former une matrice de corrélation, arrondir les valeurs, supprimer des éléments similaires ceux et utiliser l'indexation pour obtenir à nouveau mes données "réduites".

cor(mydata)
mydata <- round(mydata,2)
mydata <- mydata[,!duplicated (mydata)]
## then do the indexing...

Je voudrais savoir si cela pourrait être fait en commande courte ou en fonction avancée. J'apprends à utiliser les outils puissants du langage R, ce qui évite de si longues commandes inutiles

Je pensais à quelque chose comme

mydata <- mydata[, which(apply(mydata, 2, function(x) !duplicated(round(cor(x),2))))]

Désolé, je sais que la commande ci-dessus ne fonctionne pas, mais j'espère que je serais en mesure de le faire.

une play-data qui s'applique à la question:

mydata <- structure(list(V1 = c(1L, 2L, 5L, 4L, 366L, 65L, 43L, 456L, 876L, 
78L, 687L, 378L, 378L, 34L, 53L, 43L), V2 = c(2L, 2L, 5L, 4L, 
366L, 65L, 43L, 456L, 876L, 78L, 687L, 378L, 378L, 34L, 53L, 
41L), V3 = c(10L, 20L, 10L, 20L, 10L, 20L, 1L, 0L, 1L, 2010L, 
20L, 10L, 10L, 10L, 10L, 10L), V4 = c(2L, 10L, 31L, 2L, 2L, 5L, 
2L, 5L, 1L, 52L, 1L, 2L, 52L, 6L, 2L, 1L), V5 = c(4L, 10L, 31L, 
2L, 2L, 5L, 2L, 5L, 1L, 52L, 1L, 2L, 52L, 6L, 2L, 3L)), .Names = c("V1", 
"V2", "V3", "V4", "V5"), class = "data.frame", row.names = c(NA, 
-16L))

Merci beaucoup

30
Error404

Je suis sûr qu'il existe de nombreuses façons de le faire et certainement mieux que cela, mais cela devrait fonctionner. J'ai simplement mis le triangle supérieur à zéro, puis je supprime toutes les lignes ayant des valeurs supérieures à 0,99.

> tmp <- cor(data)
> tmp[upper.tri(tmp)] <- 0
> diag(tmp) <- 0
# Above two commands can be replaced with 
# tmp[!lower.tri(tmp)] <- 0
#
> 
> data.new <- data[,!apply(tmp,2,function(x) any(x > 0.99))]
> head(data.new)
   V2 V3 V5
1   2 10  4
2   2 20 10
3   5 10 31
4   4 20  2
5 366 10  2
6  65 20  5
42
David

Ceci est mon code R ce serait utile pour vous

library('caret')

df1 = read.csv("stack.csv")

print (df1)

     GA     PN     PC   MBP    GR    AP
1 0.033  6.652  6.681 0.194 0.874 3.177
2 0.034  9.039  6.224 0.194 1.137 3.400
3 0.035 10.936 10.304 1.015 0.911 4.900
4 0.022 10.110  9.603 1.374 0.848 4.566
5 0.035  2.963 17.156 0.599 0.823 9.406
6 0.033 10.872 10.244 1.015 0.574 4.871
7 0.035 21.694 22.389 1.015 0.859 9.259
8 0.035 10.936 10.304 1.015 0.911 4.500


df2 = cor(df1)
hc = findCorrelation(df2, cutoff=0.3) # putt any value as a "cutoff" 
hc = sort(hc)
reduced_Data = df1[,-c(hc)]
print (reduced_Data)

     GA     PN    GR    AP
1 0.033  6.652 0.874 3.177
2 0.034  9.039 1.137 3.400
3 0.035 10.936 0.911 4.900
4 0.022 10.110 0.848 4.566
5 0.035  2.963 0.823 9.406
6 0.033 10.872 0.574 4.871
7 0.035 21.694 0.859 9.259
8 0.035 10.936 0.911 4.500

et pour écrire des données réduites dans un nouveau csv, utilisez simplement:

write.csv(reduced_Data, file = "outfile.csv", row.names = FALSE)
29
jax

@David Un petit changement dans votre code le rend plus robuste à corrélation négative , en fournissant

abs(x) > 0.99 

au lieu de seulement

x > 0.99

data.new <- data[,!apply(tmp,2,function(x) any(abs(x) > 0.99))]

à votre santé..!!!

14
Vamshidhar H.K.