使用tidyverse与base R删列差异及randomForest列选择异常

嘿，咱们先理清tidyverse（主要是dplyr的select）和base R删除数据框列的核心差异，再解决你在randomForest拟合时碰到的异常问题。

一、两种删列方式的核心差异 #

• Base R 删列的特点：
  • 常用负索引：比如Boston[, -which(names(Boston)=="medv")]或者直接Boston[, -14]（如果medv是第14列），但要注意：如果删完只剩一列，结果会自动变成向量，这很容易在后续分析中踩坑
  • 直接修改原数据：用Boston$medv <- NULL的话，会直接在原数据框上删除列，不会返回新的对象
• tidyverse（dplyr::select）删列的特点：
  • 始终返回数据框/tibble：select(Boston, -medv)不管剩几列，结果都是规范的表格结构，不会变成向量
  • 不修改原数据：默认返回新对象，原数据框保持不变
  • 支持灵活的筛选语法：比如select(Boston, starts_with("rm"), ends_with("age"))这种按列名规则筛选的操作，比base R方便很多

二、randomForest中select函数的异常问题解决 #

你代码里的问题核心在于：select(Boston[train,], medv)返回的是单列tibble，但randomForest的y参数需要的是向量（分类问题则是因子），tibble格式会被模型误判，导致异常。

修复后的代码示例 #

library(MASS)
library(dplyr)
library(purrr)
library(randomForest)

train <- base::sample(1:nrow(Boston), nrow(Boston)/2)
glimpse(Boston)
p <- ncol(Boston) - 1
ps <- 1:p

map_dbl(ps, ~mean(randomForest(
  x = select(Boston[train, ], -medv), 
  y = pull(Boston[train, ], medv),  # 用pull提取向量代替select
  xtest = select(Boston[-train, ], -medv), 
  ytest = pull(Boston[-train, ], medv),  # 同样用pull处理测试集响应变量
  mtry = .x, 
  ntree = 100  # 补全你省略的ntree参数，这里设为100示例
)$test$err.rate[,1]))  # 指定取误差率的第一列，避免mean计算出错

关键修复点说明 #

1. 用pull()替代select()提取响应变量：pull(Boston[train,], medv)会直接把指定列转换成向量，完美匹配randomForest对y参数的要求
2. 补全缺失的参数：你代码里的nt...应该是ntree（树的数量），必须补全具体数值才能让代码正常运行
3. 明确误差率提取逻辑：randomForest返回的结果中，test$err.rate是一个矩阵，需要指定列（比如[,1]）才能用mean()计算平均误差

内容的提问来源于stack exchange，提问作者jakes