Gruba göre en yüksek değerleri elde etmek

93

İşte örnek bir veri çerçevesi:

d <- data.frame(
  x   = runif(90),
  grp = gl(3, 30)
)

Her bir değeri için dilk 5 değerine sahip satırları içeren alt kümeyi istiyorum .xgrp

Base-R'yi kullanarak yaklaşımım şöyle bir şey olurdu:

ordered <- d[order(d$x, decreasing = TRUE), ]    
splits <- split(ordered, ordered$grp)
heads <- lapply(splits, head)
do.call(rbind, heads)
##              x grp
## 1.19 0.8879631   1
## 1.4  0.8844818   1
## 1.12 0.8596197   1
## 1.26 0.8481809   1
## 1.18 0.8461516   1
## 1.29 0.8317092   1
## 2.31 0.9751049   2
## 2.34 0.9269764   2
## 2.57 0.8964114   2
## 2.58 0.8896466   2
## 2.45 0.8888834   2
## 2.35 0.8706823   2
## 3.74 0.9884852   3
## 3.73 0.9837653   3
## 3.83 0.9375398   3
## 3.64 0.9229036   3
## 3.69 0.8021373   3
## 3.86 0.7418946   3

Kullanarak dplyr, bunun işe yaramasını bekledim:

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  head(n = 5)

ancak yalnızca genel olarak ilk 5 satırı döndürür.

Şunun headiçin takas top_netmek d,.

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  top_n(n = 5)

Doğru alt kümeyi nasıl elde ederim?

r  data.table  dplyr 
— Richie Cotton
kaynak

Yanıtlar:

126

Gönderen 1.0.0 dplyr , " slice_min()ve slice_max()kafa karıştırıcı devralarak bir değişkenin minimum veya maksimum değerler ile satırları seçin top_n()."

d %>% group_by(grp) %>% slice_max(order_by = x, n = 5)
# # A tibble: 15 x 2
# # Groups:   grp [3]
#     x grp  
# <dbl> <fct>
#  1 0.994 1    
#  2 0.957 1    
#  3 0.955 1    
#  4 0.940 1    
#  5 0.900 1    
#  6 0.963 2    
#  7 0.902 2    
#  8 0.895 2    
#  9 0.858 2    
# 10 0.799 2    
# 11 0.985 3    
# 12 0.893 3    
# 13 0.886 3    
# 14 0.815 3    
# 15 0.812 3

Okul Öncesi dplyr 1.0.0kullanarak top_n:

Gönderen ?top_nhakkında, wtargüman:

Sıralamak için kullanılacak değişken [...] varsayılan olarak tbl'deki son değişkendir ".

Veri kümenizdeki son değişken, sıralamak istediğiniz değişken olmayan "grp" dir ve bu nedenle top_ngirişiminiz "d'nin tamamını döndürür". Bu nedenle, veri kümenizde "x" e göre sıralama yapmak isterseniz, belirtmeniz gerekir wt = x.

d %>%
  group_by(grp) %>%
  top_n(n = 5, wt = x)

Veri:

set.seed(123)
d <- data.frame(
  x = runif(90),
  grp = gl(3, 30))
— Henrik
kaynak
7
bağları görmezden gelmenin bir yolu var mı?
— Matías Guzmán Naranjo
@ MatíasGuzmánNaranjo, stackoverflow.com/questions/21308436/…
— nanselm2
41

Çok kolay data.table...

library(data.table)
setorder(setDT(d), -x)[, head(.SD, 5), keyby = grp]

Veya

setorder(setDT(d), grp, -x)[, head(.SD, 5), by = grp]

Veya (Büyük veri kümesi için daha hızlı olmalı çünkü .SDher grup için çağrı yapmaktan kaçınılmalıdır )

setorder(setDT(d), grp, -x)[, indx := seq_len(.N), by = grp][indx <= 5]

Düzenleme: İşte dplyrkarşılaştırmanın nasıl olduğu data.table(ilgilenen varsa)

set.seed(123)
d <- data.frame(
  x   = runif(1e6),
  grp = sample(1e4, 1e6, TRUE))

library(dplyr)
library(microbenchmark)
library(data.table)
dd <- copy(d)

microbenchmark(
  top_n = {d %>%
             group_by(grp) %>%
             top_n(n = 5, wt = x)},
  dohead = {d %>%
              arrange_(~ desc(x)) %>%
              group_by_(~ grp) %>%
              do(head(., n = 5))},
  slice = {d %>%
             arrange_(~ desc(x)) %>%
             group_by_(~ grp) %>%
             slice(1:5)},
  filter = {d %>% 
              arrange(desc(x)) %>%
              group_by(grp) %>%
              filter(row_number() <= 5L)},
  data.table1 = setorder(setDT(dd), -x)[, head(.SD, 5L), keyby = grp],
  data.table2 = setorder(setDT(dd), grp, -x)[, head(.SD, 5L), grp],
  data.table3 = setorder(setDT(dd), grp, -x)[, indx := seq_len(.N), grp][indx <= 5L],
  times = 10,
  unit = "relative"
)


#        expr        min         lq      mean     median        uq       max neval
#       top_n  24.246401  24.492972 16.300391  24.441351 11.749050  7.644748    10
#      dohead 122.891381 120.329722 77.763843 115.621635 54.996588 34.114738    10
#       slice  27.365711  26.839443 17.714303  26.433924 12.628934  7.899619    10
#      filter  27.755171  27.225461 17.936295  26.363739 12.935709  7.969806    10
# data.table1  13.753046  16.631143 10.775278  16.330942  8.359951  5.077140    10
# data.table2  12.047111  11.944557  7.862302  11.653385  5.509432  3.642733    10
# data.table3   1.000000   1.000000  1.000000   1.000000  1.000000  1.000000    10

Marjinal olarak daha hızlı bir data.tableçözüm eklemek :

set.seed(123L)
d <- data.frame(
    x   = runif(1e8),
    grp = sample(1e4, 1e8, TRUE))
setDT(d)
setorder(d, grp, -x)
dd <- copy(d)

library(microbenchmark)
microbenchmark(
    data.table3 = d[, indx := seq_len(.N), grp][indx <= 5L],
    data.table4 = dd[dd[, .I[seq_len(.N) <= 5L], grp]$V1],
    times = 10L
)

zamanlama çıkışı:

Unit: milliseconds
        expr      min       lq     mean   median        uq      max neval
 data.table3 826.2148 865.6334 950.1380 902.1689 1006.1237 1260.129    10
 data.table4 729.3229 783.7000 859.2084 823.1635  966.8239 1014.397    10
— David Arenburg
kaynak
data.tableBiraz daha hızlı olması gereken başka bir yöntem eklemek :dt <- setorder(setDT(dd), grp, -x); dt[dt[, .I[seq_len(.N) <= 5L], grp]$V1]
— chinsoon12
@ chinsoon12 benim misafirim. Bu çözümleri tekrar karşılaştırmak için zamanım yok.
— David Arenburg
Başka bir data.tableyöntemi daha kolay eklemek :setDT(d)[order(-x),x[1:5],keyby = .(grp)]
— Tao Hu
@TaoHu, hemen hemen ilk iki çözüm gibi. Sanmıyorum :yenecekhead
— David Arenburg
@DavidArenburg Evet ， Sana katılıyorum, bence en büyük fark daha setorderhızlıorder
— Tao Hu
34

headBir çağrıya bağlamanız gerekir do. Aşağıdaki kodda, .cari grup (tanımına bakınız temsil ...içinde doyardım sayfasında).

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  do(head(., n = 5))

Akrun'un da bahsettiği gibi slice, bir alternatiftir.

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  slice(1:5)

Bunu sormamış olsam da, eksiksizlik için olası bir data.tablesürüm (düzeltme için @Arun'a teşekkürler):

setDT(d)[order(-x), head(.SD, 5), by = grp]
— Richie Cotton
kaynak
1
@akrun Teşekkürler. Bu işlevi bilmiyordum.
— Richie Cotton
@DavidArenburg Teşekkürler. Aceleyle bir cevap göndermenin yolu budur. Saçmalamayı kaldırdım.
— Richie Cotton
2
Richie, FWIW sadece küçük bir ek gerekir:setDT(d)[order(-x), head(.SD, 5L), by=grp]
— Arun
Bu cevap biraz modası geçmiş ama bırakın eğer ikinci bölümü idomatic yoldur ~ve kullanımını arrangeve group_byyerine arrange_vegroup_by_
— Moody_Mudskipper
15

R tabanındaki yaklaşımım şöyle olurdu:

ordered <- d[order(d$x, decreasing = TRUE), ]
ordered[ave(d$x, d$grp, FUN = seq_along) <= 5L,]

Ve dplyr kullanarak, yaklaşımı slicemuhtemelen en hızlı olanıdır, ancak hangisini kullanmaktan filterdaha hızlı olacağını da kullanabilirsiniz do(head(., 5)):

d %>% 
  arrange(desc(x)) %>%
  group_by(grp) %>%
  filter(row_number() <= 5L)

dplyr karşılaştırması

set.seed(123)
d <- data.frame(
  x   = runif(1e6),
  grp = sample(1e4, 1e6, TRUE))

library(microbenchmark)

microbenchmark(
  top_n = {d %>%
             group_by(grp) %>%
             top_n(n = 5, wt = x)},
  dohead = {d %>%
              arrange_(~ desc(x)) %>%
              group_by_(~ grp) %>%
              do(head(., n = 5))},
  slice = {d %>%
             arrange_(~ desc(x)) %>%
             group_by_(~ grp) %>%
             slice(1:5)},
  filter = {d %>% 
              arrange(desc(x)) %>%
              group_by(grp) %>%
              filter(row_number() <= 5L)},
  times = 10,
  unit = "relative"
)

Unit: relative
   expr       min        lq    median        uq       max neval
  top_n  1.042735  1.075366  1.082113  1.085072  1.000846    10
 dohead 18.663825 19.342854 19.511495 19.840377 17.433518    10
  slice  1.000000  1.000000  1.000000  1.000000  1.000000    10
 filter  1.048556  1.044113  1.042184  1.180474  1.053378    10
— Talat
kaynak
@akrun filterek bir işlev gerektirir, slicesürümünüz ise ...
— David Arenburg
1
Buraya neden eklemediğinizi biliyorsunuz data.table;)
— David Arenburg
5
Biliyorum ve size söyleyebilirim: çünkü soru özellikle bir dplyr çözümü istiyordu.
— talat
1
Sadece şaka yapıyordum ... Hiç aynı şeyi yapmamışsın gibi değil (tam tersi yönde).
— David Arenburg
@DavidArenburg, "yasadışı" veya data.table cevap vermek gibi bir şey demiyordum .. Tabii ki bunu yapabilir ve istediğiniz herhangi bir ölçüt sunabilirsiniz :) Btw, bağlantı verdiğiniz soru güzel bir örnek dplyr sözdiziminin data.table'dan çok daha uygun olduğu (biliyorum, öznel!).
— talat
1

top_n (n = 1), sıralama değişkeni her grup içinde benzersiz değilse, yine de her grup için birden çok satır döndürecektir . Her grup için kesin olarak bir oluşum seçmek için her satıra benzersiz bir değişken ekleyin:

set.seed(123)
d <- data.frame(
  x   = runif(90),
  grp = gl(3, 30))

d %>%
  mutate(rn = row_number()) %>% 
  group_by(grp) %>%
  top_n(n = 1, wt = rn)
— Jan Vydra
kaynak
0

data.tableKısa sözdizimini vurgulamak için bir çözüm daha :

setDT(d)
d[order(-x), .SD[1:5], grp]
— sindri_baldur
kaynak
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.