如何正确转换不同长度的RLE对象为机器学习用表格数据？

问题背景 #

你通过R生成了一组游程编码（RLE）对象，需要将这些行数不统一的矩阵转换为列数一致的表格用于机器学习任务，尝试了填充NA后转向量的方式，想确认这种方式是否正确、是否丢失信息，以及最优解决方案。

原始生成代码：

set.seed(1)
make_rle <- function() rnorm(10) |> cumsum() |> sign() |> accelerometry::rle2(indices = T)
X <- lapply(1:10, \(x) make_rle())

你的转换代码：

add_na <- function(x, n= 10)  rbind(x, matrix(NA,nrow = n-nrow(x),ncol = 4)) 
Xna <- lapply(X, add_na)
to_tab <- sapply(Xna, as.vector) |> t()

问题解答 #

1. 你的转换方式是否正确？会不会丢失信息？ #

这种转换方式逻辑上是正确的，且不会丢失原始信息：

• 填充NA只是补充固定行数的空值，原始每个样本的所有游程数据都被完整保留；
• 转成向量再转置后，每一行对应一个样本的所有游程展开数据，NA的位置仅代表该样本没有对应位置的游程。

但有两个需要注意的细节：

• 固定n=10存在风险：如果某个样本的游程数超过10，会因n-nrow(x)为负数报错，应该先计算所有样本中游程的最大行数，用这个值作为填充基准：

  max_run_count <- max(sapply(X, nrow))
  add_na <- function(x) rbind(x, matrix(NA, nrow = max_run_count - nrow(x), ncol = 4))
  Xna <- lapply(X, add_na)
  

• 矩阵转向量默认是列优先，最终表格的列顺序是value1, value2,...valueN, start1, start2,...startN, stop1,...stopN, length1,...lengthN。如果希望每个游程的四个属性连续排列，需要先转置矩阵再转向量：

  to_tab <- sapply(Xna, function(m) as.vector(t(m))) |> t()
  

  这样列顺序变为value1, start1, stop1, length1, value2, start2, stop2, length2,...，更符合特征分组的逻辑。

2. 更优的解决方案 #

对于机器学习任务，更推荐用tidyverse工具链整理成列名清晰的宽表，可读性和可维护性更强：

library(dplyr)
library(tidyr)

# 1. 将所有RLE对象转换为带样本ID和游程ID的数据框
X_tidy <- lapply(seq_along(X), function(sample_id) {
  as.data.frame(X[[sample_id]]) %>%
    mutate(
      sample_id = sample_id,
      run_id = row_number()  # 标记每个样本内的游程序号
    )
}) %>% bind_rows()

# 2. 转换为宽表，每个游程的属性作为单独列
wide_table <- X_tidy %>%
  pivot_wider(
    id_cols = sample_id,
    names_from = run_id,
    values_from = c(value, start, stop, length),
    names_sep = "_"  # 列名格式：属性_游程序号，比如value_1、start_1
  )

这种方式会自动根据所有样本的最大游程数补全NA，生成的列名清晰易懂，方便后续的特征工程和模型训练。

内容的提问来源于stack exchange，提问作者mr.T