Como padronizar dados em r: com exemplos

Padronizar um conjunto de dados significa dimensionar todos os valores no conjunto de dados de forma que o valor médio seja 0 e o desvio padrão seja 1.

A maneira mais comum de fazer isso é usar a padronização do z-score, que dimensiona os valores usando a seguinte fórmula:

(x _eu – x ) / s

Ouro:

• x _i : o i- ^ésimo valor do conjunto de dados
• x : A amostra significa
• s : o desvio padrão da amostra

Os exemplos a seguir mostram como usar a função scale() com o pacote dplyr em R para dimensionar uma ou mais variáveis em um quadro de dados usando a padronização de pontuação z.

Padronize uma única variável

O código a seguir mostra como dimensionar uma única variável em um quadro de dados com três variáveis:

 library (dplyr)

#make this example reproducible 
set.seed(1)

#create original data frame
df <- data.frame(var1= runif(10, 0, 50), 
                 var2= runif(10, 2, 23),
                 var3= runif(10, 5, 38))

#view original data frame
df

        var1 var2 var3
1 13.275433 6.325466 35.845273
2 18.606195 5.707692 12.000703
3 28.642668 16.427480 26.505234
4 45.410389 10.066178 9.143318
5 10.084097 18.166670 13.818282
6 44.919484 12.451684 17.741765
7 47.233763 17.069989 5.441881
8 33.039890 22.830028 17.618803
9 31.455702 9.980739 33.699798
10 3.089314 18.326350 16.231517

#scale var1 to have mean = 0 and standard deviation = 1
df2 <- df %>% mutate_at (c(' var1 '), ~( scale (.) %>% as.vector ))
df2

          var1 var2 var3
1 -0.90606801 6.325466 35.845273
2 -0.56830963 5.707692 12.000703
3 0.06760377 16.427480 26.505234
4 1.13001072 10.066178 9.143318
5 -1.10827188 18.166670 13.818282
6 1.09890684 12.451684 17.741765
7 1.24554014 17.069989 5.441881
8 0.34621281 22.830028 17.618803
9 0.24583830 9.980739 33.699798
10 -1.55146305 18.326350 16.231517

Observe que apenas a primeira variável foi dimensionada enquanto as outras duas variáveis permaneceram as mesmas. Podemos confirmar rapidamente que a nova variável escalonada tem um valor médio de 0 e um desvio padrão de 1:

 #calculate mean of scaled variable
mean(df2$var1)

[1] -4.18502e-18 #basically zero

#calculate standard deviation of scaled variable 
sd(df2$var1)

[1] 1

Padronize múltiplas variáveis

O código a seguir mostra como dimensionar diversas variáveis em um quadro de dados de uma só vez:

 library (dplyr)

#make this example reproducible 
set.seed(1)

#create original data frame
df <- data.frame(var1= runif(10, 0, 50), 
                 var2= runif(10, 2, 23),
                 var3= runif(10, 5, 38))

#scale var1 and var2 to have mean = 0 and standard deviation = 1
df3 <- df %>% mutate_at (c(' var1 ', ' var2 '), ~( scale (.) %>% as.vector ))
df3

          var1 var2 var3
1 -0.90606801 -1.3045574 35.845273
2 -0.56830963 -1.4133223 12.000703
3 0.06760377 0.4739961 26.505234
4 1.13001072 -0.6459703 9.143318
5 -1.10827188 0.7801967 13.818282
6 1.09890684 -0.2259798 17.741765
7 1.24554014 0.5871157 5.441881
8 0.34621281 1.6012242 17.618803
9 0.24583830 -0.6610127 33.699798
10 -1.55146305 0.8083098 16.231517

Padronize todas as variáveis

O código a seguir mostra como dimensionar todas as variáveis em um quadro de dados usando a função mutate_all :

 library (dplyr)

#make this example reproducible 
set.seed(1)

#create original data frame
df <- data.frame(var1= runif(10, 0, 50), 
                 var2= runif(10, 2, 23),
                 var3= runif(10, 5, 38))

#scale all variables to have mean = 0 and standard deviation = 1
df4 <- df %>% mutate_all (~( scale (.) %>% as.vector ))
df4

          var1 var2 var3
1 -0.90606801 -1.3045574 1.6819976
2 -0.56830963 -1.4133223 -0.6715858
3 0.06760377 0.4739961 0.7600871
4 1.13001072 -0.6459703 -0.9536246
5 -1.10827188 0.7801967 -0.4921813
6 1.09890684 -0.2259798 -0.1049130
7 1.24554014 0.5871157 -1.3189757
8 0.34621281 1.6012242 -0.1170501
9 0.24583830 -0.6610127 1.4702281
10 -1.55146305 0.8083098 -0.2539824

Recursos adicionais

Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:

Como normalizar dados em R
Como calcular o desvio padrão em R
Como imputar todos os valores ausentes em R
Como transformar dados em R (Log, raiz quadrada, raiz cúbica)