使用 R 根据频率计数替换列中的值

Question

我有一个包含多列的数据集。其中许多列包含超过 32 个因素，因此对于运行随机森林（例如），我想根据它们的频率计数替换列中的值。

其中一栏是这样写的：

$ country                                    
: Factor w/ 92 levels "China","India","USA",..: 30 39 39 20 89 30 16 21 30 30 ...

我想做的是只保留前 N 个（N 是 5 到 20 之间的值）国家，并将剩余的值替换为 "Other"。我知道如何使用 table 函数计算值的频率，但我似乎无法找到基于这样的规则替换值的解决方案。如何做到这一点？

Answer 1

一些示例数据：

set.seed(1)
x <- factor(sample(1:5,100,prob=c(1,3,4,2,5),replace=TRUE))
table(x)
# 1  2  3  4  5 
# 4 26 30 13 27

将除前 3 级（第 2/3/5 级）以外的所有级别替换为 "Other"：

levels(x)[rank(table(x)) < 3] <- "Other"

table(x)
#Other     2     3     5 
#   17    26    30    27

Replace value in a column based on a Frequency Count using R