Получение лучших значений по группе

93

Вот пример фрейма данных:

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

Я хочу, чтобы подмножество dсодержало строки с 5 верхними значениями xдля каждого значения grp.

Используя base-R, мой подход будет примерно таким:

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

Используя dplyr, я ожидал, что это сработает:

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

но он возвращает только верхние 5 строк.

Обмен headна top_nвозвращает все d.

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

Как мне получить правильное подмножество?

r  data.table  dplyr 
— Ричи Коттон
источник

Ответы:

126

Начиная с dplyr 1.0.0 , « slice_min()и slice_max()выберите строки с минимальным или максимальным значением переменной, взяв на себя смущение 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

Перед dplyr 1.0.0использованием top_n:

Откуда ?top_n, по поводу wtаргумента:

Переменная, используемая для упорядочивания [...] по умолчанию, соответствует последней переменной в таблице ".

Последняя переменная в вашем наборе данных - это «grp», это не та переменная, которую вы хотите ранжировать, и именно поэтому ваша top_nпопытка «возвращает все d». Таким образом, если вы хотите ранжировать по «x» в вашем наборе данных, вам необходимо указать wt = x.

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

Данные:

set.seed(123)
d <- data.frame(
  x = runif(90),
  grp = gl(3, 30))
— Хенрик
источник
7
есть ли способ игнорировать связи?
— Матиас Гусман Наранхо
@ MatíasGuzmánNaranjo, stackoverflow.com/questions/21308436/…
— nanselm2
41

Довольно просто с data.table...

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

Или

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

Или (Должно быть быстрее для большого набора данных, потому что не нужно звонить .SDдля каждой группы)

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

Изменить: вот как можно dplyrсравнить data.table(если кому-то интересно)

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

Добавление немного более быстрого data.tableрешения:

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
)

вывод времени:

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
— Дэвид Аренбург
источник
Добавляем еще один data.tableметод, который должен быть немного быстрее:dt <- setorder(setDT(dd), grp, -x); dt[dt[, .I[seq_len(.N) <= 5L], grp]$V1]
— chinsoon12 05
@ chinsoon12 будь моим гостем. У меня нет времени снова тестировать эти решения.
— Дэвид Аренбург
data.tablesetDT(d)[order(-x),x[1:5],keyby = .(grp)]
— Тао Ху
@TaoHu это очень похоже на первые два решения. Не думаю, :что head
— победит
@DavidArenburg Да ， Я согласен с вами, я думаю, что большая часть разницы setorderбыстрее, чемorder
— Тао Ху
34

Вам нужно завернуть headв звонок do. В следующем коде .представляет текущую группу (см. Описание ...на doстранице справки).

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

Как уже упоминал Акрун, sliceэто альтернатива.

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

Хотя я не спрашивал об этом, для полноты data.tableкартины возможная версия (спасибо @Arun за исправление):

setDT(d)[order(-x), head(.SD, 5), by = grp]
— Ричи Коттон
источник
1
@akrun Спасибо. Я не знал об этой функции.
— Ричи Коттон,
@DavidArenburg Спасибо. Вот что получается из поспешного ответа. Я убрал чушь.
— Ричи Коттон
2
Ричи, FWIW, тебе просто нужно небольшое дополнение:setDT(d)[order(-x), head(.SD, 5L), by=grp]
— Арун
Этот ответ немного устарел, но вторая часть - идоматический способ, если вы отбросите ~и используете arrangeи group_byвместо arrange_иgroup_by_
— Moody_Mudskipper
15

Мой подход в базе R будет:

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

И при использовании dplyr подход, sliceвероятно, самый быстрый, но вы также можете использовать, filterкоторый, вероятно, будет быстрее, чем использование do(head(., 5)):

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

тест dplyr

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
— талат
источник
@akrun filterтребует дополнительной функции, а ваша sliceверсия не ...
— Дэвид Аренбург,
1
Вы знаете, почему вы не добавили data.tableсюда;)
— Дэвид Аренбург
5
Я знаю это и могу вам сказать: потому что вопрос был задан именно для решения dplyr.
— talat 04
1
Я просто пошутил ... Не то чтобы ты никогда не делал того же (только в противоположном направлении).
— Дэвид Аренбург
@DavidArenburg, я не говорил, что это "незаконно" или что-то в этом роде, чтобы предоставить ответ data.table .. Конечно, вы можете сделать это и предоставить любой тест, который вам нравится :) Кстати, вопрос, на который вы ссылаетесь, является хорошим примером где синтаксис dplyr намного удобнее (я знаю, субъективно!), чем data.table.
— talat 04
1

top_n (n = 1) по-прежнему будет возвращать несколько строк для каждой группы, если переменная порядка не уникальна в каждой группе. Чтобы выбрать ровно одно вхождение для каждой группы, добавьте уникальную переменную в каждую строку:

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)
— Ян Выдра
источник
0

Еще одно data.tableрешение, чтобы выделить его краткий синтаксис:

setDT(d)
d[order(-x), .SD[1:5], grp]
— sindri_baldur
источник
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.