update_role() 更改配方中的現有角色或將初始角色分配給尚未聲明角色的變量。
add_role() 為配方中已有角色的變量添加一個附加角色。它不會覆蓋舊角色，因為單個變量可以具有多個角色。
remove_role() 消除了配方中的單個現有角色。
用法
add_role(recipe, ..., new_role = "predictor", new_type = NULL)
update_role(recipe, ..., new_role = "predictor", old_role = NULL)
remove_role(recipe, ..., old_role)參數
- recipe
-
現有的
recipe()。 - ...
-
一個或多個選擇器函數用於選擇要為哪些變量分配角色。有關更多詳細信息，請參閱
selections()。 - new_role
-
單個角色的字符串。
- new_type
-
變量應被識別為的特定類型的字符串。如果保留為
NULL，該類型將自動識別為您在summary(recipe)中看到的該變量的第一個類型。 - old_role
-
用於為
...選擇的變量更新的特定角色的字符串。隻要變量僅具有單一角色，update_role()就接受NULL。
細節
變量可以具有任意角色(請參閱示例)，但有兩個特殊的標準角色： "predictor" 和 "outcome" 。擬合模型時通常需要這兩個角色。
當變量當前在配方中沒有作用時，應使用 update_role() ，或者用 new_role 替換 old_role 。 add_role() 隻會向已有角色的變量添加額外的角色，並且當當前角色丟失時會拋出錯誤(即 NA )。
使用 add_role() 時，如果選擇的變量已具有 new_role ，則會發出警告並跳過該變量，因此不會添加重複的角色。
添加或更新角色是對不屬於標準 "predictor" 存儲桶的某些變量進行分組的有用方法。您可以使用選擇器 has_role() 對具有自定義角色的所有變量執行步驟。
非標準角色的影響
配方可以標記和保留數據集中不應被視為結果或預測變量的列。唯一標識符列或一些其他輔助數據可用於解決模型開發期間的問題，但可能不是結果或預測變量。
例如，modeldata::biomass 數據集有一個名為 sample 的列，其中包含有關特定樣本類型的信息。我們可以改變這個角色：
library(recipes)
data(biomass, package = "modeldata")
biomass_train <- biomass[1:100,]
biomass_test <- biomass[101:200,]
rec <- recipe(HHV ~ ., data = biomass_train) %>%
update_role(sample, new_role = "id variable") %>%
step_center(carbon)
rec <- prep(rec, biomass_train)這意味著 sample 不再被視為 "predictor" (提供給 recipe() 的公式右側列的默認角色)，並且不會用於模型擬合或分析，但會仍然保留在數據集中。
如果您確實沒有在配方中使用 sample，我們建議您先從數據集中刪除 sample，然後再將其傳遞給 recipe() 。其原因是因為配方假定在 bake() 時間(或 predict() 時間，如果您使用工作流)需要所有非標準角色。由於您在配方的任何步驟中都沒有使用 sample ，因此您可能認為不需要將其傳遞給 bake() ，但事實並非如此，因為配方不知道您沒有這樣做用它：
biomass_test$sample <- NULL
bake(rec, biomass_test)
#> Error in `bake()`:
#> ! The following required columns are missing from `new_data`: "sample".
#> i These columns have one of the following roles, which are required at `bake()` time: "id variable".
#> i If these roles are not required at `bake()` time, use `update_role_requirements(role = "your_role", bake = FALSE)`.正如我們之前提到的，避免此問題的最佳方法是甚至不使用角色，隻需在調用 recipe() 之前從 biomass 中刪除 sample 列即可。一般來說，提供給 recipe() 的預測變量和非標準角色應該同時出現在 prep() 和 bake() 時間。
如果由於某種原因無法刪除 sample，那麽解決此問題的第二個最佳方法是告訴配方在 bake() 時不需要 "id variable" 角色。您可以使用 update_role_requirements() 來做到這一點：
rec <- recipe(HHV ~ ., data = biomass_train) %>%
update_role(sample, new_role = "id variable") %>%
update_role_requirements("id variable", bake = FALSE) %>%
step_center(carbon)
rec <- prep(rec, biomass_train)
# No errors!
biomass_test_baked <- bake(rec, biomass_test)您很少需要此函數。
例子
library(recipes)
data(biomass, package = "modeldata")
# Using the formula method, roles are created for any outcomes and predictors:
recipe(HHV ~ ., data = biomass) %>%
summary()
#> # A tibble: 8 × 4
#> variable type role source
#> <chr> <list> <chr> <chr>
#> 1 sample <chr [3]> predictor original
#> 2 dataset <chr [3]> predictor original
#> 3 carbon <chr [2]> predictor original
#> 4 hydrogen <chr [2]> predictor original
#> 5 oxygen <chr [2]> predictor original
#> 6 nitrogen <chr [2]> predictor original
#> 7 sulfur <chr [2]> predictor original
#> 8 HHV <chr [2]> outcome original
# However `sample` and `dataset` aren't predictors. Since they already have
# roles, `update_role()` can be used to make changes, to any arbitrary role:
recipe(HHV ~ ., data = biomass) %>%
update_role(sample, new_role = "id variable") %>%
update_role(dataset, new_role = "splitting variable") %>%
summary()
#> # A tibble: 8 × 4
#> variable type role source
#> <chr> <list> <chr> <chr>
#> 1 sample <chr [3]> id variable original
#> 2 dataset <chr [3]> splitting variable original
#> 3 carbon <chr [2]> predictor original
#> 4 hydrogen <chr [2]> predictor original
#> 5 oxygen <chr [2]> predictor original
#> 6 nitrogen <chr [2]> predictor original
#> 7 sulfur <chr [2]> predictor original
#> 8 HHV <chr [2]> outcome original
# `update_role()` cannot set a role to NA, use `remove_role()` for that
if (FALSE) {
recipe(HHV ~ ., data = biomass) %>%
update_role(sample, new_role = NA_character_)
}
# ------------------------------------------------------------------------------
# Variables can have more than one role. `add_role()` can be used
# if the column already has at least one role:
recipe(HHV ~ ., data = biomass) %>%
add_role(carbon, sulfur, new_role = "something") %>%
summary()
#> # A tibble: 10 × 4
#> variable type role source
#> <chr> <list> <chr> <chr>
#> 1 sample <chr [3]> predictor original
#> 2 dataset <chr [3]> predictor original
#> 3 carbon <chr [2]> predictor original
#> 4 carbon <chr [2]> something original
#> 5 hydrogen <chr [2]> predictor original
#> 6 oxygen <chr [2]> predictor original
#> 7 nitrogen <chr [2]> predictor original
#> 8 sulfur <chr [2]> predictor original
#> 9 sulfur <chr [2]> something original
#> 10 HHV <chr [2]> outcome original
# `update_role()` has an argument called `old_role` that is required to
# unambiguously update a role when the column currently has multiple roles.
recipe(HHV ~ ., data = biomass) %>%
add_role(carbon, new_role = "something") %>%
update_role(carbon, new_role = "something else", old_role = "something") %>%
summary()
#> # A tibble: 9 × 4
#> variable type role source
#> <chr> <list> <chr> <chr>
#> 1 sample <chr [3]> predictor original
#> 2 dataset <chr [3]> predictor original
#> 3 carbon <chr [2]> predictor original
#> 4 carbon <chr [2]> something else original
#> 5 hydrogen <chr [2]> predictor original
#> 6 oxygen <chr [2]> predictor original
#> 7 nitrogen <chr [2]> predictor original
#> 8 sulfur <chr [2]> predictor original
#> 9 HHV <chr [2]> outcome original
# `carbon` has two roles at the end, so the last `update_roles()` fails since
# `old_role` was not given.
if (FALSE) {
recipe(HHV ~ ., data = biomass) %>%
add_role(carbon, sulfur, new_role = "something") %>%
update_role(carbon, new_role = "something else")
}
# ------------------------------------------------------------------------------
# To remove a role, `remove_role()` can be used to remove a single role.
recipe(HHV ~ ., data = biomass) %>%
add_role(carbon, new_role = "something") %>%
remove_role(carbon, old_role = "something") %>%
summary()
#> # A tibble: 8 × 4
#> variable type role source
#> <chr> <list> <chr> <chr>
#> 1 sample <chr [3]> predictor original
#> 2 dataset <chr [3]> predictor original
#> 3 carbon <chr [2]> predictor original
#> 4 hydrogen <chr [2]> predictor original
#> 5 oxygen <chr [2]> predictor original
#> 6 nitrogen <chr [2]> predictor original
#> 7 sulfur <chr [2]> predictor original
#> 8 HHV <chr [2]> outcome original
# To remove all roles, call `remove_role()` multiple times to reset to `NA`
recipe(HHV ~ ., data = biomass) %>%
add_role(carbon, new_role = "something") %>%
remove_role(carbon, old_role = "something") %>%
remove_role(carbon, old_role = "predictor") %>%
summary()
#> # A tibble: 8 × 4
#> variable type role source
#> <chr> <list> <chr> <chr>
#> 1 sample <chr [3]> predictor original
#> 2 dataset <chr [3]> predictor original
#> 3 carbon <chr [2]> NA original
#> 4 hydrogen <chr [2]> predictor original
#> 5 oxygen <chr [2]> predictor original
#> 6 nitrogen <chr [2]> predictor original
#> 7 sulfur <chr [2]> predictor original
#> 8 HHV <chr [2]> outcome original
# ------------------------------------------------------------------------------
# If the formula method is not used, all columns have a missing role:
recipe(biomass) %>%
summary()
#> # A tibble: 8 × 4
#> variable type role source
#> <chr> <list> <chr> <chr>
#> 1 sample <chr [3]> NA original
#> 2 dataset <chr [3]> NA original
#> 3 carbon <chr [2]> NA original
#> 4 hydrogen <chr [2]> NA original
#> 5 oxygen <chr [2]> NA original
#> 6 nitrogen <chr [2]> NA original
#> 7 sulfur <chr [2]> NA original
#> 8 HHV <chr [2]> NA original
相關用法
- R recipes recipes_pkg_check 更新包
- R recipes recipe 創建預處理數據的配方
- R recipes recipes_extension_check 檢查步驟是否具有所有 S3 方法
- R recipes recipes_eval_select 使用特定於食譜的 tidyselect 語義評估選擇
- R recipes step_unknown 將缺失的類別分配給“未知”
- R recipes step_relu 應用(平滑)修正線性變換
- R recipes step_poly_bernstein 廣義伯恩斯坦多項式基
- R recipes step_impute_knn 通過 k 最近鄰進行插補
- R recipes step_impute_mean 使用平均值估算數值數據
- R recipes step_inverse 逆變換
- R recipes step_pls 偏最小二乘特征提取
- R recipes update.step 更新菜譜步驟
- R recipes step_ratio 比率變量創建
- R recipes step_geodist 兩個地點之間的距離
- R recipes step_nzv 近零方差濾波器
- R recipes step_nnmf 非負矩陣分解信號提取
- R recipes step_normalize 中心和比例數值數據
- R recipes step_depth 數據深度
- R recipes step_other 折疊一些分類級別
- R recipes step_harmonic 添加正弦和餘弦項以進行諧波分析
- R recipes step_corr 高相關濾波器
- R recipes step_novel 新因子水平的簡單賦值
- R recipes step_select 使用 dplyr 選擇變量
- R recipes formula.recipe 從準備好的食譜創建配方
- R recipes step_regex 檢測正則表達式
注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 Manually Alter Roles。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。