step_clean_levels()
创建配方步骤的规范,该步骤将清理名义数据(字符或因子),因此级别仅包含字母、数字和下划线。
用法
step_clean_levels(
recipe,
...,
role = NA,
trained = FALSE,
clean = NULL,
skip = FALSE,
id = rand_id("clean_levels")
)
参数
- recipe
-
一个recipe 对象。该步骤将添加到此配方的操作序列中。
- ...
-
一个或多个选择器函数用于选择受该步骤影响的变量。有关更多详细信息,请参阅
recipes::selections()
。 - role
-
由于没有创建新变量,因此此步骤未使用。
- trained
-
指示预处理数量是否已估计的逻辑。
- clean
-
用于清理和重新编码分类级别的命名字符向量。在由
recipes::prep.recipe()
计算之前,这是NULL
。请注意,如果原始变量是字符向量,它将被转换为因子。 - skip
-
一个合乎逻辑的。当
recipes::bake.recipe()
烘焙食谱时是否应该跳过此步骤?虽然所有操作都是在recipes::prep.recipe()
运行时烘焙的,但某些操作可能无法对新数据进行(例如处理结果变量)。使用skip = FALSE
时应小心。 - id
-
该步骤特有的字符串,用于标识它。
细节
新关卡被清理,然后使用 dplyr::recode_factor()
重置。当要处理的数据包含新水平(即不包含在训练集中)时,它们将被转换为缺失。
整理
当您 tidy()
此步骤时,将返回一个包含列 terms
(选择的选择器或变量)、original
(原始级别)和 value
(已清理的级别)的 tibble。
例子
library(recipes)
library(modeldata)
data(Smithsonian)
smith_tr <- Smithsonian[1:15, ]
smith_te <- Smithsonian[16:20, ]
rec <- recipe(~., data = smith_tr)
rec <- rec %>%
step_clean_levels(name)
rec <- prep(rec, training = smith_tr)
cleaned <- bake(rec, smith_tr)
tidy(rec, number = 1)
#> # A tibble: 15 × 4
#> terms original value id
#> <chr> <chr> <chr> <chr>
#> 1 name Anacostia Community Museum anac… clea…
#> 2 name Arthur M. Sackler Gallery arth… clea…
#> 3 name Arts and Industries Building arts… clea…
#> 4 name Cooper Hewitt, Smithsonian Design Museum coop… clea…
#> 5 name Freer Gallery of Art free… clea…
#> 6 name George Gustav Heye Center geor… clea…
#> 7 name Hirshhorn Museum and Sculpture Garden hirs… clea…
#> 8 name National Air and Space Museum nati… clea…
#> 9 name National Museum of African American History and Cult… nati… clea…
#> 10 name National Museum of African Art nati… clea…
#> 11 name National Museum of American History nati… clea…
#> 12 name National Museum of Natural History nati… clea…
#> 13 name National Museum of the American Indian nati… clea…
#> 14 name National Portrait Gallery nati… clea…
#> 15 name Steven F. Udvar-Hazy Center stev… clea…
# novel levels are replaced with missing
bake(rec, smith_te)
#> # A tibble: 5 × 3
#> name latitude longitude
#> <fct> <dbl> <dbl>
#> 1 NA 38.9 -77.0
#> 2 NA 38.9 -77.0
#> 3 NA 38.9 -77.0
#> 4 NA 38.9 -77.0
#> 5 NA 38.9 -77.1
相关用法
- R textrecipes step_clean_names 干净的变量名称
- R textrecipes step_lemma 标记变量的词形还原
- R textrecipes step_tokenize_wordpiece 字符变量的Wordpiece标记化
- R textrecipes step_tokenfilter 根据词频过滤标记
- R textrecipes step_text_normalization 字符变量的标准化
- R textrecipes step_tokenize_sentencepiece 字符变量的句子标记化
- R textrecipes step_tokenmerge 将多个令牌变量合并为一个
- R textrecipes step_tf 代币的使用频率
- R textrecipes step_tokenize 字符变量的标记化
- R textrecipes step_tfidf 词频-令牌的逆文档频率
- R textrecipes step_word_embeddings 令牌的预训练词嵌入
- R textrecipes step_stem 令牌变量的词干
- R textrecipes step_textfeature 计算文本特征集
- R textrecipes step_texthash 代币的特征哈希
- R textrecipes step_ngram 从标记变量生成 n-gram
- R textrecipes step_stopwords 过滤标记变量的停用词
- R textrecipes step_pos_filter 令牌变量的语音过滤部分
- R textrecipes step_untokenize 令牌变量的取消令牌化
- R textrecipes step_lda 计算代币的LDA维度估计
- R textrecipes step_tokenize_bpe 字符变量的 BPE 标记化
- R textrecipes step_sequence_onehot 令牌的位置 One-Hot 编码
- R textrecipes step_dummy_hash 通过特征哈希的指示变量
- R textrecipes show_tokens 显示配方的令牌输出
- R textrecipes tokenlist 创建令牌对象
- R update_PACKAGES 更新现有的 PACKAGES 文件
注:本文由纯净天空筛选整理自等大神的英文原创作品 Clean Categorical Levels。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。