superponer - Eliminar variables altamente correlacionadas

superponer graficas en r

Question

Tengo un gran marco de datos 5600 X 6592 y quiero eliminar cualquier variable que esté correlacionada entre sí más de 0.99. Sé cómo hacerlo en el largo camino, paso a paso, es decir, formando una matriz de correlación, redondeando los valores, eliminando valores similares. unos y usar la indexación para obtener mis datos "reducidos" de nuevo.

cor(mydata)
mydata <- round(mydata,2)
mydata <- mydata[,!duplicated (mydata)]
## then do the indexing...

Me gustaría saber si esto podría hacerse con un comando corto, o alguna función avanzada. Estoy aprendiendo a hacer uso de las poderosas herramientas en el lenguaje R, que evita comandos tan largos e innecesarios.

Estaba pensando en algo como

mydata <- mydata[, which(apply(mydata, 2, function(x) !duplicated(round(cor(x),2))))]

Lo siento, sé que el comando anterior no funciona, pero espero poder hacer esto.

Una información de juego que se aplica a la pregunta:

mydata <- structure(list(V1 = c(1L, 2L, 5L, 4L, 366L, 65L, 43L, 456L, 876L,
78L, 687L, 378L, 378L, 34L, 53L, 43L), V2 = c(2L, 2L, 5L, 4L,
366L, 65L, 43L, 456L, 876L, 78L, 687L, 378L, 378L, 34L, 53L,
41L), V3 = c(10L, 20L, 10L, 20L, 10L, 20L, 1L, 0L, 1L, 2010L,
20L, 10L, 10L, 10L, 10L, 10L), V4 = c(2L, 10L, 31L, 2L, 2L, 5L,
2L, 5L, 1L, 52L, 1L, 2L, 52L, 6L, 2L, 1L), V5 = c(4L, 10L, 31L,
2L, 2L, 5L, 2L, 5L, 1L, 52L, 1L, 2L, 52L, 6L, 2L, 3L)), .Names = c("V1",
"V2", "V3", "V4", "V5"), class = "data.frame", row.names = c(NA,
-16L))

Muchas gracias

Answer 1

@David Un pequeño cambio en su código lo hace más robusto a la correlación negativa , al proporcionar

abs(x) > 0.99

en lugar de solo

x > 0.99

data.new <- data[,!apply(tmp,2,function(x) any(abs(x) > 0.99))]

aclamaciones..!!!

Answer 2

Este es mi código R, esto sería útil para usted.

library(''caret'')
df1 = read.csv("stack.csv")
print (df1)
GA PN PC MBP GR AP
1 0.033 6.652 6.681 0.194 0.874 3.177
2 0.034 9.039 6.224 0.194 1.137 3.400
3 0.035 10.936 10.304 1.015 0.911 4.900
4 0.022 10.110 9.603 1.374 0.848 4.566
5 0.035 2.963 17.156 0.599 0.823 9.406
6 0.033 10.872 10.244 1.015 0.574 4.871
7 0.035 21.694 22.389 1.015 0.859 9.259
8 0.035 10.936 10.304 1.015 0.911 4.500
df2 = cor(df1)
hc = findCorrelation(df2, cutoff=0.3) # putt any value as a "cutoff"
hc = sort(hc)
reduced_Data = df1[,-c(hc)]
print (reduced_Data)
GA PN GR AP
1 0.033 6.652 0.874 3.177
2 0.034 9.039 1.137 3.400
3 0.035 10.936 0.911 4.900
4 0.022 10.110 0.848 4.566
5 0.035 2.963 0.823 9.406
6 0.033 10.872 0.574 4.871
7 0.035 21.694 0.859 9.259
8 0.035 10.936 0.911 4.500

y para anotar un dato reducido en un nuevo csv solo use:

write.csv(reduced_Data, file = "outfile.csv", row.names = FALSE)

Answer 3

Estoy seguro de que hay muchas maneras de hacer esto y ciertamente algunas mejores que esto, pero esto debería funcionar. Básicamente, solo establezco el triángulo superior como cero y luego elimino cualquier fila que tenga valores superiores a 0.99.

> tmp <- cor(data)
> tmp[upper.tri(tmp)] <- 0
> diag(tmp) <- 0
# Above two commands can be replaced with
# tmp[!lower.tri(tmp)] <- 0
#
>
> data.new <- data[,!apply(tmp,2,function(x) any(x > 0.99))]
> head(data.new)
V2 V3 V5
1 2 10 4
2 2 20 10
3 5 10 31
4 4 20 2
5 366 10 2
6 65 20 5