确定数据框中的哪些变量与其他两个变量最相关

Question

假设我有一个像这样的示例数据框。

sample_df <- data.frame(replicate(100,sample(0:1,1000,rep=TRUE)))

您可能会问的一件事是数据框中的哪些列与 X1 列最相关。 我知道如何做到这一点，使用下面的代码，它显示前 5 个相关性。

library(lares)
corr_var(sample_df,
  X1, 
  top = 5 
)

但是，我不想只关注 X1，而是想知道哪些列与X1 和 X2 最相关。我怎么能做到这一点？

Answer 1

一个想法是计算 X1 和 X2 预测的每列的 R2 值：

set.seed(42)

data <- data.frame(replicate(100,sample(0:1,1000,rep=TRUE)))

r2_var <- function(data, ...) {
  x <- rlang::ensyms(...) |> as.character()
  y <- data |> names() |> setdiff(x)
  
  purrr::map_dfr(y, ~ {
    f <- sprintf("%s ~ %s", .x, paste(x, collapse = " + "))
    r2 <- summary(lm(f, data))$r.squared
    dplyr::tibble(var = .x, r2 = r2)
  }) |>
    dplyr::arrange(dplyr::desc(r2))
}

r2_var(data, X1, X2)
#> # A tibble: 98 × 2
#>    var        r2
#>    <chr>   <dbl>
#>  1 X28   0.00888
#>  2 X76   0.00810
#>  3 X42   0.00761
#>  4 X31   0.00741
#>  5 X39   0.00737
#>  6 X13   0.00678
#>  7 X88   0.00674
#>  8 X63   0.00600
#>  9 X81   0.00508
#> 10 X41   0.00470
#> # ℹ 88 more rows

创建于 2024-06-04，使用 ^{reprex v2.1.0}