Блог

Предположим, что я смоделировал эти данные из приведенного ниже кода R:

 library(RNGforGPD) set.seed(1) sample.size = 10; no.gpois = 3 lambda.vec = c(-0.2, 0.2, -0.3); theta.vec = c(1, 3, 4) M = c(0.352, 0.265, 0.342); N = diag(3); N[lower.tri(N)] = M TV = N   t(N); diag(TV) = 1 cstar = CmatStarGpois(TV, theta.vec, lambda.vec, verbose = TRUE) data = GenMVGpois(sample.size, no.gpois, cstar, theta.vec, lambda.vec, details = FALSE)  gt; prop.table(table(data[,1]))   0 1 2  0.3 0.4 0.3  gt; prop.table(table(data[,2]))   2 3 6 8 10  0.2 0.4 0.1 0.2 0.1  gt; prop.table(table(data[,3]))   2 3 4 5 6  0.2 0.3 0.1 0.3 0.1  gt; table(data) data  0 1 2 3 4 5 6 8 10   3 4 7 7 1 3 2 2 1   

Я хотел бы создать матрицу пропорций для каждой из трех категориальных переменных. Если категория отсутствует для определенного столбца, она будет определена как 0.

Это data -объект:

 dput(data) structure(c(1, 0, 2, 1, 0, 0, 1, 2, 2, 1, 3, 8, 3, 3, 2, 2, 6,  3, 10, 8, 2, 5, 2, 6, 3, 3, 4, 3, 5, 5), .Dim = c(10L, 3L), .Dimnames = list(  NULL, NULL))  

Попытался поместить логику в соответствующие точки кодовой последовательности.

 props lt;- data.frame(Cat = sort(unique(c(data))) ) # Just the Cat column #Now fill in the entries # the entries will be obtained with table function  apply(data, 2, table) # run `table(.)` over the columns individually [[1]]  0 1 2 # these are actually character valued names 3 4 3 # while these are the count values  [[2]]   2 3 6 8 10   2 4 1 2 1   [[3]]  2 3 4 5 6  2 3 1 3 1   

Теперь повторите этот список, чтобы заполнить значения, соответствующие столбцу Cat:

 props2 lt;- cbind(props, # using dfrm first argument returns dataframe object   lapply( apply(data, 2, table) , # irregular results are a list  function(col) { # first make a named vector of zeros  x lt;- setNames(rep(0,length(props$Cat)), props$Cat)  # could have skipped that step by using `tabulate`  # then fill with values using names as indices  x[names(col)] lt;- col # values to matching names  x}) ) props2 #-------------  Cat V1 V2 V3 0 0 3 0 0 1 1 4 0 0 2 2 3 2 2 3 3 0 4 3 4 4 0 0 1 5 5 0 0 3 6 6 0 1 1 8 8 0 2 0 10 10 0 1 0 #--- # now just "proportionalize" those counts props2[2:4] lt;- prop.table(data.matrix(props2[2:4]), margin=2) props2  #-------------  Cat V1 V2 V3 0 0 0.3 0.0 0.0 1 1 0.4 0.0 0.0 2 2 0.3 0.2 0.2 3 3 0.0 0.4 0.3 4 4 0.0 0.0 0.1 5 5 0.0 0.0 0.3 6 6 0.0 0.1 0.1 8 8 0.0 0.2 0.0 10 10 0.0 0.1 0.0  

 colnames(data) lt;- c("X1", "X2", "X3") as_tibble(data) %gt;%  pivot_longer(cols = "X1":"X3", values_to = "Cat") %gt;%  group_by(name, Cat) %gt;%  count() %gt;%  ungroup(Cat) %gt;%  summarize(name, Cat, proportion = n / sum(n)) %gt;%  pivot_wider(names_from = name, values_from = proportion) %gt;%  arrange(Cat) %gt;%  replace(is.na(.), 0)  # A tibble: 9 × 4  Cat X1 X2 X3  lt;dblgt; lt;dblgt; lt;dblgt; lt;dblgt; 1 0 0.3 0 0  2 1 0.4 0 0  3 2 0.3 0.2 0.2 4 3 0 0.4 0.3 5 4 0 0 0.1 6 5 0 0 0.3 7 6 0 0.1 0.1 8 8 0 0.2 0  9 10 0 0.1 0   

Если вы хотите использовать его в качестве матрицы, вы можете использовать as.matrix()