R生成所有可能的交互变量

Question

我有一个带有变量的数据框，比如 a,b,c,d

dat <- data.frame(a=runif(1e5), b=runif(1e5), c=runif(1e5), d=runif(1e5))

并希望在每列之间生成所有可能的双向交互项，即：ab、ac、ad、bc、bd、cd。实际上我的数据框有超过 100 列，所以我不能手动编码。最有效的方法是什么（注意我不想要 ab 和 ba）？

Answer 1

您打算如何处理所有这些交互项？有多种选择，最好取决于您要执行的操作。

如果您想将交互传递给 lm 或 aov 之类的建模函数，则非常简单，只需使用 .^2 语法：

fit <- lm( y ~ .^2, data=mydf )

以上将调用 lm 并告诉它拟合 mydf 中变量的所有主效应和所有 2 种交互作用，不包括 y.

如果出于某种原因你真的想计算所有的相互作用，那么你可以使用 model.matrix:

tmp <- model.matrix( ~.^2, data=iris)

这将包括一个用于截距的列和一个用于主效应的列，但如果您不需要它们，您可以删除它们。

如果您需要与建模不同的东西，那么您可以使用 combn 功能，正如@akrun 在评论中提到的那样。

Answer 2

假设预期输出是列名的组合（根据注释应该是a_b、a_c等），我们可以在列名上使用combn数据集并将 m 指定为 2.

combn(colnames(dat), 2, FUN=paste, collapse='_')
#[1] "a_b" "a_c" "a_d" "b_c" "b_d" "c_d"

如果我们需要乘以 'dat' 中的列组合，我们使用 combn 列名输出的每个元素对数据集进行子集化（dat[,x[1]]，dat[,x[2]]), 相乘(*), 转换为'data.frame' (data.frame(), 通过paste列的组合设置列名(setNames)名字。我们在 list 和 cbind 列表元素中创建输出 do.call(cbind.

do.call(cbind, combn(colnames(dat), 2, FUN= function(x) 
                list(setNames(data.frame(dat[,x[1]]*dat[,x[2]]), 
                 paste(x, collapse="_")) )))
#         a_b        a_c        a_d        b_c        b_d        c_d
#1 0.26929788 0.17697473 0.26453066 0.55676619 0.83221898 0.54691008
#2 0.06291005 0.08337501 0.04455453 0.10370775 0.05542008 0.07344851
#3 0.53789990 0.47301970 0.03112880 0.51305076 0.03376319 0.02969076
#4 0.41596384 0.34920860 0.25992717 0.53948322 0.40155468 0.33711187
#5 0.16878584 0.21232357 0.09196025 0.08162171 0.03535148 0.04447027

基准

set.seed(494)
dat <- data.frame(a=runif(1e6), b=runif(1e6), c=runif(1e6), d=runif(1e6))

greg <- function()model.matrix( ~.^2, data=dat)
akrun <- function() {do.call(cbind, combn(colnames(dat), 2, FUN= function(x) 
           list(setNames(data.frame(dat[,x[1]]*dat[,x[2]]), 
            paste(x, collapse="_")) )))}

system.time(greg())
#  user  system elapsed 
#  1.159   0.024   1.182 

system.time(akrun())
#  user  system elapsed 
#  0.013   0.000   0.013 

library(microbenchmark)
microbenchmark(greg(), akrun(), times=20L, unit='relative')
# Unit: relative
#   expr      min       lq     mean   median       uq      max neval cld
# greg() 39.63122 38.53662 10.23198 18.81274 6.568741 4.642702    20   b
# akrun()  1.00000  1.00000  1.00000  1.00000 1.000000 1.000000    20  a

注意：基准测试因列数和行数而异。在这里，我使用的是 OP post.

中显示的列数

数据

set.seed(24)
dat <- data.frame(a=runif(5), b=runif(5), c=runif(5), d=runif(5))

Answer 3

由于 model.matrix 抱怨只有一个级别的因素，您可能想要使用 stats::terms

labels(terms(~.^2, data = iris[, 1:3]))
# [1] "Sepal.Length"              "Sepal.Width"               "Petal.Length"             
# [4] "Sepal.Length:Sepal.Width"  "Sepal.Length:Petal.Length" "Sepal.Width:Petal.Length"

R生成所有可能的交互变量

R generate all possible interaction variables

statistics

r

基准

数据