Рассчитать корреляцию - cor () - только для подмножества столбцов
У меня есть фрейм данных и я хочу вычислить корреляцию (с Spearman, данные категоричны и ранжированы), но только для подмножество столбцов. Я пытался со всеми, но функция R cor () принимает только числовые данные (x должен быть числовым, говорит сообщение об ошибке), даже если используется Spearman.
Один грубый подход - удалить не -численные столбцы из кадра данных. Это не так элегантно, для скорости я все еще не хочу вычислять корреляции между всеми столбцами.
Я надеюсь, что есть способ просто сказать «вычислить корреляции для столбцов x, y, z». Ссылки на столбцы могут быть по номеру или по имени. Я полагаю, что гибкий способ их предоставления был бы через вектор.
Любые предложения приветствуются.
3 ответа
если у вас есть фрейм данных, в котором некоторые столбцы являются числовыми, а некоторые — другими (символьными или факторными), и вы хотите выполнять корреляции только для числовых столбцов, вы можете сделать следующее:
set.seed(10)
x = as.data.frame(matrix(rnorm(100), ncol = 10))
x$L1 = letters[1:10]
x$L2 = letters[11:20]
cor(x)
Error in cor(x) : 'x' must be numeric
но
cor(x[sapply(x, is.numeric)])
V1 V2 V3 V4 V5 V6 V7
V1 1.00000000 0.3025766 -0.22473884 -0.72468776 0.18890578 0.14466161 0.05325308
V2 0.30257657 1.0000000 -0.27871430 -0.29075170 0.16095258 0.10538468 -0.15008158
V3 -0.22473884 -0.2787143 1.00000000 -0.22644156 0.07276013 -0.35725182 -0.05859479
V4 -0.72468776 -0.2907517 -0.22644156 1.00000000 -0.19305921 0.16948333 -0.01025698
V5 0.18890578 0.1609526 0.07276013 -0.19305921 1.00000000 0.07339531 -0.31837954
V6 0.14466161 0.1053847 -0.35725182 0.16948333 0.07339531 1.00000000 0.02514081
V7 0.05325308 -0.1500816 -0.05859479 -0.01025698 -0.31837954 0.02514081 1.00000000
V8 0.44705527 0.1698571 0.39970105 -0.42461411 0.63951574 0.23065830 -0.28967977
V9 0.21006372 -0.4418132 -0.18623823 -0.25272860 0.15921890 0.36182579 -0.18437981
V10 0.02326108 0.4618036 -0.25205899 -0.05117037 0.02408278 0.47630138 -0.38592733
V8 V9 V10
V1 0.447055266 0.210063724 0.02326108
V2 0.169857120 -0.441813231 0.46180357
V3 0.399701054 -0.186238233 -0.25205899
V4 -0.424614107 -0.252728595 -0.05117037
V5 0.639515737 0.159218895 0.02408278
V6 0.230658298 0.361825786 0.47630138
V7 -0.289679766 -0.184379813 -0.38592733
V8 1.000000000 0.001023392 0.11436143
V9 0.001023392 1.000000000 0.15301699
V10 0.114361431 0.153016985 1.00000000
Для числовых данных у вас есть решение. Но это категоричные данные, вы сказали. Тогда жизнь становится немного сложнее...
Ну, во-первых: степень связи между двумя категориальными переменными измеряется не с помощью ранговой корреляции Спирмена, а, например, с помощью критерия хи-квадрат. Что на самом деле логично. Ранжирование означает, что в ваших данных есть некоторый порядок. А теперь скажите мне, что больше, желтое или красное? Я знаю, что иногда R выполняет ранговую корреляцию Спирмена для категориальных данных. Если я закодирую желтый 1 и красный 2, R будет считать красный больше желтого.
Итак, забудьте о Спирмене для категориальных данных. Я продемонстрирую chisq-тест и как выбирать столбцы с помощью combn(). Но вам было бы полезно провести немного больше времени с книгой Агрести: http://www.amazon.com/Categorical-Analysis-Wiley-Probability-Statistics/dp/0471360937
set.seed(1234)
X <- rep(c("A","B"),20)
Y <- sample(c("C","D"),40,replace=T)
table(X,Y)
chisq.test(table(X,Y),correct=F)
# I don't use Yates continuity correction
#Let's make a matrix with tons of columns
Data <- as.data.frame(
matrix(
sample(letters[1:3],2000,replace=T),
ncol=25
)
)
# You want to select which columns to use
columns <- c(3,7,11,24)
vars <- names(Data)[columns]
# say you need to know which ones are associated with each other.
out <- apply( combn(columns,2),2,function(x){
chisq.test(table(Data[,x[1]],Data[,x[2]]),correct=F)$p.value
})
out <- cbind(as.data.frame(t(combn(vars,2))),out)
Тогда вы должны получить:
> out
V1 V2 out
1 V3 V7 0.8116733
2 V3 V11 0.1096903
3 V3 V24 0.1653670
4 V7 V11 0.3629871
5 V7 V24 0.4947797
6 V11 V24 0.7259321
Где V1 и V2 указывают, между какими переменными она идет, и " out» дает p-значение для ассоциации. Здесь все переменные независимы. Чего и следовало ожидать, поскольку я создал данные случайным образом.
Я нашел более простой способ, взглянув на сценарий R, сгенерированный Rattle. Это выглядит так:
correlations <- cor(mydata[,c(1,3,5:87,89:90,94:98)], use="pairwise", method="spearman")