文章/答案/技术大牛

发布

社区首页 >问答首页 >创建10个分类变量和10个连续随机变量，并将它们保存为数据框架

问创建10个分类变量和10个连续随机变量，并将它们保存为数据框架
EN

Stack Overflow用户

提问于 2020-05-29 02:08:41

回答 2查看 53关注 0票数 0

我想创建一个数据框架，包含10个分类变量和10个连续随机变量。我可以使用下面的循环来完成它。

   p_val=rbeta(10,1,1)   #10 probabilities
    n=20
    library(truncnorm)
    mu_val=rtruncnorm(length(p_val),0,Inf, mean = 100, sd=5)#rnorm(length(p))
    d_mat_cat=matrix(NA, nrow = n, ncol = length(p))
    d_mat_cont= matrix(NA, nrow = n, ncol = length(p))
      for ( j in 1:length(p)){
        d_mat_cat[,j]=rbinom(n,1,p[j]) #Binary RV
        d_mat_cont[,j]=rnorm(n,mu_val[j]) #Cont. RV
      }
    d_mat=cbind(d_mat_cat, d_mat_cont)

如有其他选择，我们将不胜感激。

dataframe

simulation

回答 2

Stack Overflow用户

回答已采纳

发布于 2020-05-29 03:41:33

rbinom是在prob上向量化的，rnorm是在mean上向量化的，所以您可以使用以下方法：

cbind(
  matrix(rbinom(n * length(p_val), size = 1, prob = p_val), 
         ncol = length(p_val), byrow = TRUE),
  matrix(rnorm(n * length(mu_val), mean = mu_val),
         ncol = length(mu_val), byrow = TRUE)
)

在使用rep时，我们可以稍微聪明一点，以使调用更加简洁：

p_val = c(0, 0.5, 1)
mu_val = c(1, 10, 100)
n = 4

## 
matrix(
  c(
    rbinom(n * length(p_val), size = 1, prob = rep(c(0, .5, 1), each = n)),
    rnorm(n * length(mu_val), mean = rep(c(1, 10, 100), each = n))
  ),
  nrow = n,
)

#      [,1] [,2] [,3]       [,4]     [,5]     [,6]
# [1,]    0    1    1  1.1962718 9.373595 100.1739
# [2,]    0    0    1 -0.1854631 9.574706 100.0725
# [3,]    0    1    1  3.4873697 9.447363 100.1345
# [4,]    0    1    1  2.8467450 9.700975 101.3178

票数 3

Stack Overflow用户

发布于 2020-05-29 02:45:31

您可以尝试使用sapply运行rbinom、rnorm和cbind数据。

cbind(sapply(p_val, rbinom, n = n, size = 1), sapply(mu_val, rnorm, n = n))

票数 1

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/62077555

复制

相似问题

问创建10个分类变量和10个连续随机变量，并将它们保存为数据框架
EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问创建10个分类变量和10个连续随机变量，并将它们保存为数据框架EN

回答 2

Stack Overflow用户

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问创建10个分类变量和10个连续随机变量，并将它们保存为数据框架
EN