根据百分位数分配标签
Assign Labels According to Percentiles
正在尝试将 Python 个问题转化为 R 代码。
我想在新栏目中根据成绩分配标题。
例如：
- 'A' 对于大于或等于 99.92th 百分位
的值
- 'B' 表示值小于第 99.92 个百分位数但大于或等于第 84.92 个百分位数
- 'C' 表示值小于第 84.92 个百分位数但大于或等于第 59.92 个百分位数
- 'D' 表示值小于第 59.92 个百分位数但大于或等于第 29.92 个百分位数
- 'E' 表示值小于第 29.92 个百分位数但大于或等于第 15.92 个百分位数
- 'F' 对于所有小于 15.92th 百分位数的值。
有这个专栏：
Grades
2.3
3
2
3.3
3.5
3.6
3.2
2.1
2.3
3.7
3.3
3.1
4.4
4.3
1.4
4.5
3.5
这是我试过的。
quantile(w$Grades, c(.91, .75))
等等..但是在第一个之后，我认为应该在下一个百分位数上进行减法，因为较低的百分位数不应该包括 higher.This 我是这样得到的。
概述
我将分位数存储为向量，并使用 sapply() 中的这些值来标记 Grade 中落在分位数之间的值。
可重现的例子
我用的是read.table() function to import your example data into r。
之后，我存储了 quantiles() in interested.quantiles. Each percentile - one for each [0,1] value in the probs argument - represents the value below which a given percentage of observations in df$Grade fall 输出的样本分位数。
最后，我输入df$Grade作为sapply()中的X输入，并对X中的每个值应用匿名函数。该函数检查X的每个值属于六个组中的哪一个通过一系列 if() and else if() 功能。由于 interested.quantiles 中的值是按百分位数的降序创建的，if 语句检查 X 值是否大于或等于第 99.92。如果为真，则 returns 'A'；如果为假，它将继续检查 X 在剩余百分位数中的位置。
# create data
df <-
read.table( text = "Grades
2.3
3
2
3.3
3.5
3.6
3.2
2.1
2.3
3.7
3.3
3.1
4.4
4.3
1.4
4.5
3.5"
, header = TRUE
)
# create quantiles based on
# interested probabilities
# from df$Grade
interested.quantiles <-
quantile( x = df$Grades
, probs = c( 0.9992, 0.8492, 0.5992, 0.2992, 0.1592 )
)
# view vector
interested.quantiles
# 99.92% 84.92% 59.92% 29.92% 15.92%
# 4.49872 4.05232 3.41744 2.85104 2.20944
# Assign labels based on each
# Grade's value
df$Label <-
sapply( X = df$Grades
, FUN = function( i )
if( i >= interested.quantiles[ 1 ] ){
return( "A" )
} else if( i < interested.quantiles[ 1 ] &&
i >= interested.quantiles[ 2 ] ){
return( "B" )
} else if( i < interested.quantiles[ 2 ] &&
i >= interested.quantiles[ 3 ] ){
return( "C" )
} else if( i < interested.quantiles[ 3 ] &&
i >= interested.quantiles[ 4 ] ){
return( "D" )
} else if( i < interested.quantiles[ 4 ] &&
i >= interested.quantiles[ 5 ] ){
return( "E" )
} else{
return( "F")
}
)
# view results
df
# Grades Label
# 1 2.3 E
# 2 3.0 D
# 3 2.0 F
# 4 3.3 D
# 5 3.5 C
# 6 3.6 C
# 7 3.2 D
# 8 2.1 F
# 9 2.3 E
# 10 3.7 C
# 11 3.3 D
# 12 3.1 D
# 13 4.4 B
# 14 4.3 B
# 15 1.4 F
# 16 4.5 A
# 17 3.5 C
# end of script #
附加数据集
在评论中给出了link to a CSV file of their actual data set。这是应用于新数据集的相同逻辑。
注意：df$Label 中没有 'F' 个值。这不是错误；相反，这是理解数据的重要一课。 df$rfm_score 中 20.77% 的值是 1.8。最小的兴趣百分位是 15.92%——这并不奇怪——与值 1.8 相关。当 sapply() 中的匿名函数搜索小于 1.8 的值时，结果为空。因此，没有 df$rm_score 可以拥有标签 'F'，因为该向量中没有任何值小于 1.8。
# create data
df <-
read.csv( file = "http://download1519.mediafire.com/cjsv2c7r112g/3n6c5e6q2wdemmn/stackoverfl"
, header = TRUE
, stringsAsFactors = FALSE
)
# view data
str( df )
# 'data.frame': 157711 obs. of 13 variables:
# $ X : int 9 128 193 227 265 291 311 419 422 434 ...
# $ Member_id : int 100010 100259 100378 100443 100535 100588 100619 100811 100816 100833 ...
# $ Invoice_id : int 1728650 1613593 1617369 1597363 1733884 1598267 1603355 1619466 1688050 1645517 ...
# $ Grandtotal : num 9.9 2.5 25.8 32.1 10.3 ...
# $ InvoiceDate : chr "2017-03-18" "2017-01-10" "2017-01-12" "2017-01-04" ...
# $ recency : int 65 44 70 1 11 40 58 15 81 22 ...
# $ freq : int 7 10 7 11 9 7 13 10 9 9 ...
# $ monetary_v : num 95.3 114.5 103.6 144.4 113.3 ...
# $ rank_recency : int 3 3 3 3 3 3 3 3 3 3 ...
# $ rank_freq : int 5 5 5 5 5 5 5 5 5 5 ...
# $ rank_monetary_v: int 5 5 5 5 5 5 5 5 5 5 ...
# $ rfm_cell : int 355 355 355 355 355 355 355 355 355 355 ...
# $ rfm_score : num 4.6 4.6 4.6 4.6 4.6 4.6 4.6 4.6 4.6 4.6 ...
# View the range of values first
table( df$rfm_score )
# 1.8 2.1 2.3 2.4 2.6 2.7 2.9 3 3.1 3.2 3.3
# 32764 17649 10107 1633 23781 371 7725 198 11670 4251 177
# 3.4 3.5 3.6 3.7 3.8 3.9 4 4.1 4.2 4.3 4.4
# 8360 3051 256 6108 2537 724 5614 2484 4580 5621 4002
# 4.6
# 4048
# create quantiles based on
# interested probabilities
# from df$rfm_score
interested.quantiles <-
quantile( x = df$rfm_score
, probs = c( 0.9992, 0.8492, 0.5992, 0.2992, 0.1592 )
)
# view vector
interested.quantiles
# 99.92% 84.92% 59.92% 29.92% 15.92%
# 4.6 4.0 3.1 2.1 1.8
# Assign labels based on each
# row's df$rfm_score
df$Label <-
sapply( X = df$rfm_score
, FUN = function( i )
if( i >= interested.quantiles[ 1 ] ){
return( "A" )
} else if( i < interested.quantiles[ 1 ] &&
i >= interested.quantiles[ 2 ] ){
return( "B" )
} else if( i < interested.quantiles[ 2 ] &&
i >= interested.quantiles[ 3 ] ){
return( "C" )
} else if( i < interested.quantiles[ 3 ] &&
i >= interested.quantiles[ 4 ] ){
return( "D" )
} else if( i < interested.quantiles[ 4 ] &&
i >= interested.quantiles[ 5 ] ){
return( "E" )
} else if( i < interested.quantiles[ 5 ] ){
return( "F")
}
)
# view the results
table( df$Label, useNA = "ifany" )
# A B C D E
# 4048 22301 37134 61464 32764
# Wait..why aren't there any F values?
length( which( df$rfm_score < interested.quantiles[ 5 ] ) ) # [1] 0
# no "F" values are given because the
# there are not any values less than
# the 5th element in interested.quantiles
# end of script #
问：
A for the top 0.8% of the column
B for next 15% of the column
C for next 25% of the column
D for next 30% of the column
E for next 14% of the column
F for rest of the column
削减时间：
cuts <- c(1, 1 - cumsum( c(0.008, .15 ,.25,.30,.14)), 0)
cuts
[1] 1.000 0.992 0.842 0.592 0.292 0.152 0.000
需要颠倒字母顺序：
cut(dfrm$Grades, breaks= quantile(dfrm$Grades, cuts) ,include.lowest=TRUE, labels=LETTERS[6:1])
[1] E D F D C C D F E C D D B B F A C
Levels: F E D C B A
正在尝试将 Python 个问题转化为 R 代码。
我想在新栏目中根据成绩分配标题。
例如：
- 'A' 对于大于或等于 99.92th 百分位 的值
- 'B' 表示值小于第 99.92 个百分位数但大于或等于第 84.92 个百分位数
- 'C' 表示值小于第 84.92 个百分位数但大于或等于第 59.92 个百分位数
- 'D' 表示值小于第 59.92 个百分位数但大于或等于第 29.92 个百分位数
- 'E' 表示值小于第 29.92 个百分位数但大于或等于第 15.92 个百分位数
- 'F' 对于所有小于 15.92th 百分位数的值。
有这个专栏：
Grades
2.3
3
2
3.3
3.5
3.6
3.2
2.1
2.3
3.7
3.3
3.1
4.4
4.3
1.4
4.5
3.5
这是我试过的。
quantile(w$Grades, c(.91, .75))
等等..但是在第一个之后，我认为应该在下一个百分位数上进行减法，因为较低的百分位数不应该包括 higher.This 我是这样得到的。
概述
我将分位数存储为向量，并使用 sapply() 中的这些值来标记 Grade 中落在分位数之间的值。
可重现的例子
我用的是read.table() function to import your example data into r。
之后，我存储了 quantiles() in interested.quantiles. Each percentile - one for each [0,1] value in the probs argument - represents the value below which a given percentage of observations in df$Grade fall 输出的样本分位数。
最后，我输入df$Grade作为sapply()中的X输入，并对X中的每个值应用匿名函数。该函数检查X的每个值属于六个组中的哪一个通过一系列 if() and else if() 功能。由于 interested.quantiles 中的值是按百分位数的降序创建的，if 语句检查 X 值是否大于或等于第 99.92。如果为真，则 returns 'A'；如果为假，它将继续检查 X 在剩余百分位数中的位置。
# create data
df <-
read.table( text = "Grades
2.3
3
2
3.3
3.5
3.6
3.2
2.1
2.3
3.7
3.3
3.1
4.4
4.3
1.4
4.5
3.5"
, header = TRUE
)
# create quantiles based on
# interested probabilities
# from df$Grade
interested.quantiles <-
quantile( x = df$Grades
, probs = c( 0.9992, 0.8492, 0.5992, 0.2992, 0.1592 )
)
# view vector
interested.quantiles
# 99.92% 84.92% 59.92% 29.92% 15.92%
# 4.49872 4.05232 3.41744 2.85104 2.20944
# Assign labels based on each
# Grade's value
df$Label <-
sapply( X = df$Grades
, FUN = function( i )
if( i >= interested.quantiles[ 1 ] ){
return( "A" )
} else if( i < interested.quantiles[ 1 ] &&
i >= interested.quantiles[ 2 ] ){
return( "B" )
} else if( i < interested.quantiles[ 2 ] &&
i >= interested.quantiles[ 3 ] ){
return( "C" )
} else if( i < interested.quantiles[ 3 ] &&
i >= interested.quantiles[ 4 ] ){
return( "D" )
} else if( i < interested.quantiles[ 4 ] &&
i >= interested.quantiles[ 5 ] ){
return( "E" )
} else{
return( "F")
}
)
# view results
df
# Grades Label
# 1 2.3 E
# 2 3.0 D
# 3 2.0 F
# 4 3.3 D
# 5 3.5 C
# 6 3.6 C
# 7 3.2 D
# 8 2.1 F
# 9 2.3 E
# 10 3.7 C
# 11 3.3 D
# 12 3.1 D
# 13 4.4 B
# 14 4.3 B
# 15 1.4 F
# 16 4.5 A
# 17 3.5 C
# end of script #
附加数据集
在评论中给出了link to a CSV file of their actual data set。这是应用于新数据集的相同逻辑。
注意：df$Label 中没有 'F' 个值。这不是错误；相反，这是理解数据的重要一课。 df$rfm_score 中 20.77% 的值是 1.8。最小的兴趣百分位是 15.92%——这并不奇怪——与值 1.8 相关。当 sapply() 中的匿名函数搜索小于 1.8 的值时，结果为空。因此，没有 df$rm_score 可以拥有标签 'F'，因为该向量中没有任何值小于 1.8。
# create data
df <-
read.csv( file = "http://download1519.mediafire.com/cjsv2c7r112g/3n6c5e6q2wdemmn/stackoverfl"
, header = TRUE
, stringsAsFactors = FALSE
)
# view data
str( df )
# 'data.frame': 157711 obs. of 13 variables:
# $ X : int 9 128 193 227 265 291 311 419 422 434 ...
# $ Member_id : int 100010 100259 100378 100443 100535 100588 100619 100811 100816 100833 ...
# $ Invoice_id : int 1728650 1613593 1617369 1597363 1733884 1598267 1603355 1619466 1688050 1645517 ...
# $ Grandtotal : num 9.9 2.5 25.8 32.1 10.3 ...
# $ InvoiceDate : chr "2017-03-18" "2017-01-10" "2017-01-12" "2017-01-04" ...
# $ recency : int 65 44 70 1 11 40 58 15 81 22 ...
# $ freq : int 7 10 7 11 9 7 13 10 9 9 ...
# $ monetary_v : num 95.3 114.5 103.6 144.4 113.3 ...
# $ rank_recency : int 3 3 3 3 3 3 3 3 3 3 ...
# $ rank_freq : int 5 5 5 5 5 5 5 5 5 5 ...
# $ rank_monetary_v: int 5 5 5 5 5 5 5 5 5 5 ...
# $ rfm_cell : int 355 355 355 355 355 355 355 355 355 355 ...
# $ rfm_score : num 4.6 4.6 4.6 4.6 4.6 4.6 4.6 4.6 4.6 4.6 ...
# View the range of values first
table( df$rfm_score )
# 1.8 2.1 2.3 2.4 2.6 2.7 2.9 3 3.1 3.2 3.3
# 32764 17649 10107 1633 23781 371 7725 198 11670 4251 177
# 3.4 3.5 3.6 3.7 3.8 3.9 4 4.1 4.2 4.3 4.4
# 8360 3051 256 6108 2537 724 5614 2484 4580 5621 4002
# 4.6
# 4048
# create quantiles based on
# interested probabilities
# from df$rfm_score
interested.quantiles <-
quantile( x = df$rfm_score
, probs = c( 0.9992, 0.8492, 0.5992, 0.2992, 0.1592 )
)
# view vector
interested.quantiles
# 99.92% 84.92% 59.92% 29.92% 15.92%
# 4.6 4.0 3.1 2.1 1.8
# Assign labels based on each
# row's df$rfm_score
df$Label <-
sapply( X = df$rfm_score
, FUN = function( i )
if( i >= interested.quantiles[ 1 ] ){
return( "A" )
} else if( i < interested.quantiles[ 1 ] &&
i >= interested.quantiles[ 2 ] ){
return( "B" )
} else if( i < interested.quantiles[ 2 ] &&
i >= interested.quantiles[ 3 ] ){
return( "C" )
} else if( i < interested.quantiles[ 3 ] &&
i >= interested.quantiles[ 4 ] ){
return( "D" )
} else if( i < interested.quantiles[ 4 ] &&
i >= interested.quantiles[ 5 ] ){
return( "E" )
} else if( i < interested.quantiles[ 5 ] ){
return( "F")
}
)
# view the results
table( df$Label, useNA = "ifany" )
# A B C D E
# 4048 22301 37134 61464 32764
# Wait..why aren't there any F values?
length( which( df$rfm_score < interested.quantiles[ 5 ] ) ) # [1] 0
# no "F" values are given because the
# there are not any values less than
# the 5th element in interested.quantiles
# end of script #
问：
A for the top 0.8% of the column B for next 15% of the column C for next 25% of the column D for next 30% of the column E for next 14% of the column F for rest of the column
削减时间：
cuts <- c(1, 1 - cumsum( c(0.008, .15 ,.25,.30,.14)), 0)
cuts
[1] 1.000 0.992 0.842 0.592 0.292 0.152 0.000
需要颠倒字母顺序：
cut(dfrm$Grades, breaks= quantile(dfrm$Grades, cuts) ,include.lowest=TRUE, labels=LETTERS[6:1])
[1] E D F D C C D F E C D D B B F A C
Levels: F E D C B A