Rのデータハンドリング
はじめに
Rで学ぶデータサイエンス：マシンラーニング第2版の回帰の章を読んでいると、変数の総当りでモデルを評価する方法が記載されていた。
そのコードがエンジニアではない私には面白かったので、内容をおさらいしておく。コード自体は01の組み合わせの一覧を生成する方法。
剰余と整数商
この本では剰余と整数商を使った組み合わせの一覧の作り方をコードに組み混んでいた。剰余と整数商は下記の通りで、余りと除算した際の整数部分の数字のこと。
1:10 %% 2 #剰余 [1] 1 0 1 0 1 0 1 0 1 0 1:10 %/% 2 #整数商 [1] 0 1 1 2 2 3 3 4 4 5
Rコード
剰余と整数商を使った組み合わせの一覧の作るコードは下記の通り。書籍のものを参考に一部修正した。
col_num <- 5
row_num <- 2^col_num
mat <- matrix(rep(0, length = row_num * col_num), nrow = row_num)
mat
for (i in 1:row_num) {
tmp <- i
for (j in 1:col_num) {
tmp1 <- tmp %% 2 #剰余
if(tmp1 == 1)
mat[i, j] <- 1
tmp <- tmp %/% 2 #整数除算
if(tmp == 0)
break
}
}
mat
[,1] [,2] [,3] [,4]
[1,] 1 0 0 0
[2,] 0 1 0 0
[3,] 1 1 0 0
[4,] 0 0 1 0
[5,] 1 0 1 0
[6,] 0 1 1 0
[7,] 1 1 1 0
[8,] 0 0 0 1
[9,] 1 0 0 1
[10,] 0 1 0 1
[11,] 1 1 0 1
[12,] 0 0 1 1
[13,] 1 0 1 1
[14,] 0 1 1 1
[15,] 1 1 1 1
[16,] 0 0 0 0
別パターン
01の組み合わせは、 \(k\)を個数だとすると、\(2^k\)で組み合わせ総数を計算できる。そして、少し並び替えると法則がみえる。
mat %>% as.data.frame() %>% arrange(., V4, V3, V2, V1) %>% select(V4, V3, V2, V1) V4 V3 V2 V1 1 0 0 0 0 2 0 0 0 1 3 0 0 1 0 4 0 0 1 1 5 0 1 0 0 6 0 1 0 1 7 0 1 1 0 8 0 1 1 1 9 1 0 0 0 10 1 0 0 1 11 1 0 1 0 12 1 0 1 1 13 1 1 0 0 14 1 1 0 1 15 1 1 1 0 16 1 1 1 1
例えば0の行については、\(2^3\)、\(2^2\)、\(2^1\)、\(2^0\)という順番で0の数が減っているので、この組み合わせで数列を作れば、01の組み合わせの一覧が取得できる。
n <- 4
mat <- matrix(rep(0, length = 2^n * n), ncol = n)
for(i in 1:n){
tmp <- rep(c(0, 1), each = 2^(n-i))
mat[, i] <- rep(tmp, 2^(i-1))
}
mat
[,1] [,2] [,3] [,4]
[1,] 0 0 0 0
[2,] 0 0 0 1
[3,] 0 0 1 0
[4,] 0 0 1 1
[5,] 0 1 0 0
[6,] 0 1 0 1
[7,] 0 1 1 0
[8,] 0 1 1 1
[9,] 1 0 0 0
[10,] 1 0 0 1
[11,] 1 0 1 0
[12,] 1 0 1 1
[13,] 1 1 0 0
[14,] 1 1 0 1
[15,] 1 1 1 0
[16,] 1 1 1 1
あとはこれを関数化しておく。ここでは、リストを使う。
zeroichi <- function(n){
mat <- vector(mode = "list", length = n)
for(i in 1:n){
tmp <- rep(c(0, 1), each = 2^(n-i))
mat[[i]] <- rep(tmp, 2^(i-1))
}
res <- mat %>%
map_dfc(.x = ., .f = c)
}
df <- zeroichi(4)
# A tibble: 16 x 4
V1 V2 V3 V4
<dbl> <dbl> <dbl> <dbl>
1 0 0 0 0
2 0 0 0 1
3 0 0 1 0
4 0 0 1 1
5 0 1 0 0
6 0 1 0 1
7 0 1 1 0
8 0 1 1 1
9 1 0 0 0
10 1 0 0 1
11 1 0 1 0
12 1 0 1 1
13 1 1 0 0
14 1 1 0 1
15 1 1 1 0
16 1 1 1 1
df %>%
dplyr::mutate_if(is.numeric, as.character) %>%
dplyr::group_by(V1, V2, V3, V4) %>%
dplyr::summarise(cnt = n()) %>%
dplyr::filter(cnt > 1)
# A tibble: 0 x 5
# Groups: V1, V2, V3 [0]
# … with 5 variables: V1 <chr>, V2 <chr>, V3 <chr>, V4 <chr>, cnt <int>
こういうのは、エンジニアの人とかは当たり前なんだろうな…。
