R - 秩和组

Question

希望不大，但我还是会试试。我想根据可用的 data.frame 建立百分位数（100 组）或十分位数（10 组）。在此示例中，我有一个包含 891 条记录的数据框。在这个 data.frame 中，我有以下变量。

Unique_ID（数值）。即唯一会员编号
xbeta（数字）给出的信用评分。（允许进行排名）
好（数值）。二进制标志（0 或 1）。会员是否拖欠的指标
差（数值）。二进制标志（0 或 1）good

我需要你的帮助来构建下面的等效 table。通过更改组数，我可以使用 xbeta 将其拆分为 10 或 100。顶行是总数（可通过 TYPE 识别），我想生成以下内容 table（有关详细信息，请参见下面的 table）

r_xbeta 只是基于组数的行号。
TYPE 以识别总排名或组排名
n = 总计数
好计数 |排名中的错误标志
xbeta 统计数据，最小 |最大 |意思是中位数
GB_Odds = 排名好/差
LN_GB_ODDs = 日志(GB_Odds)
其余的应该是不言自明的

非常感谢您的帮助。吉姆学习 R

r_xbeta _TYPE_  n   GOOD    BAD xbeta_min   xbeta_max   xbeta_mean  xbeta_MEDIAN    GB_ODDS LN_GB_ODDS  Cummu_Good  Cummu_Bad   Cummu_Good_pct  Cummu_Bad_pct
.       0       891 342     549 -4.42       3.63        -0.7        -1.09           0.62295 -0.47329    342         549         100%            100%
0       1       89  4       85  -4.42       -2.7        -3.6        -3.57           0.04706 -3.05636    4           85          1.20%           15%
1       1       89  12      77  -2.69       -2.37       -2.55       -2.54           0.15584 -1.8589     16          162         4.70%           30%
2       1       87  12      75  -2.35       -1.95       -2.16       -2.2            0.16    -1.83258    28          237         8.20%           43%
3       1       93  14      79  -1.95       -1.54       -1.75       -1.79           0.17722 -1.73039    42          316         12%             58%
4       1       88  10      78  -1.53       -1.09       -1.33       -1.33           0.12821 -2.05412    52          394         15%             72%
5       1       89  27      62  -1.03       -0.25       -0.67       -0.69           0.43548 -0.8313     79          456         23%             83%
6       1       89  44      45  -0.24       0.33        0.05        0.03            0.97778 -0.02247    123         501         36%             91%
7       1       89  54      35  0.37        1.07        0.66        0.63            1.54286 0.43364     177         536         52%             98%
8       1       88  77      11  1.08        2.15        1.56        1.5             7       1.94591     254         547         74%             100%
9       1       90  88      2   2.18        3.63        2.77        2.76            44      3.78419     342         549         100%            100%

Answer 1

A reproducible example 会很棒，也就是说，我们可以将其复制粘贴到我们的终端以演示您的问题。例如，这是我将使用的数据框：

set.seed(1) # so you get the same random numbers as me
my_dataframe <- data.frame(Unique_ID = 1:891,
                           xbeta=rnorm(891, sd=10),
                           Good=round(runif(891) < 0.5),
                           Bad=round(runif(891) < 0.5))
head(my_dataframe)
#   Unique_ID     xbeta Good Bad
# 1         1 -6.264538    1   0
# 2         2  1.836433    1   0
# 3         3 -8.356286    0   1
# 4         4 15.952808    1   1
# 5         5  3.295078    1   0
# 6         6 -8.204684    1   1

（具体数字对你的问题无关紧要，这就是我随机编造数字的原因）。

想法是：

算出每行属于哪个分位数：参见?quantile。您可以指定您想要的分位数（我已经显示了十分位数）

quantile(my_dataframe$xbeta, seq(0, 1, by=.1))
#          0%         10%         20%         30%         40%         50%         60%         70%         80%         90%        100% 
# -30.0804860 -13.3880074  -8.7326454  -5.1121923  -3.0097613  -0.4493361   2.3680366   5.3732613   8.7867326  13.2425863  38.1027668

这给出了分位数截止值；如果你在这些上使用 cut，你可以添加一个变量，说明每行在哪个分位数 (?cut):

my_dataframe$quantile <- cut(my_dataframe$xbeta,
                             quantile(my_dataframe$xbeta, seq(0, 1, by=.1)))

看看 head(my_dataframe) 看看它做了什么。 quantile 列是一个因素。

按分位数拆分您的数据框，并计算每个数据框的统计数据。您可以为此使用 plyr、dplyr 或 data.table 包；我推荐前两个中的一个，因为你是 R 的新手。如果你需要高效地对巨大的表（数千行）进行大量合并和计算，请使用 data.table，但学习曲线要陡峭得多。我将向您展示 plyr 纯粹是因为这是我认为最简单的方法。 dplyr 非常相似，只是语法不同。

# The idea: `ddply(my_dataframe, .(quantile), FUNCTION)` applies FUNCTION
#  to each subset of `my_dataframe`, where we split it up into unique
# `quantile`s.
# For us, `FUNCTION` is `summarize`, which calculates summary stats
#  on each subset of the dataframe.
# The arguments after `summarize` are the new summary columns we
#  wish to calculate.

library(plyr)
output = ddply(my_dataframe, .(quantile), summarize,
               n=length(Unique_ID), GOOD=sum(Good), BAD=sum(Bad),
               xbeta_min=min(xbeta), xbeta_max=max(xbeta),
               GB_ODDS=GOOD/BAD) # you can calculate the rest yourself,
                                 # "the rest should be self explanatory".
> head(output, 3)
       quantile  n GOOD BAD  xbeta_min  xbeta_max   GB_ODDS
 1 (-30.1,-13.4] 89   41  39 -29.397737 -13.388007 1.0512821
 2 (-13.4,-8.73] 89   49  45 -13.353714  -8.732645 1.0888889
 3 (-8.73,-5.11] 89   46  48  -8.667335  -5.112192 0.9583333

计算其他列。请参阅（例如）?cumsum 了解累积总和。例如output$cummu_good <- cumsum(output$GOOD).
添加 'total' 行。你应该能够做到这一点。您可以使用 rbind.

output

Answer 2

这是我的脚本在数学咖啡指导下的最终版本。由于“'breaks' 不是唯一的”错误，我不得不使用 .bincode 而不是建议的剪切。

谢谢大家

set.seed(1) # so you get the same random numbers as me
my_dataframe <- data.frame(Unique_ID = 1:891,
                           xbeta=rnorm(891, sd=10),
                           Good=round(runif(891) < 0.5),
                           Bad=round(runif(891) < 0.5))
head(my_dataframe)
quantile(my_dataframe$xbeta, seq(0, 1, by=.1))
my_dataframe$quantile = .bincode(my_dataframe$xbeta,quantile(my_dataframe$xbeta,seq(0,1,by=.1)))
library(plyr)
output = ddply(my_dataframe, .(quantile), summarize,
               n=length(Unique_ID), GOOD=sum(Good), BAD=sum(Bad),
               xbeta_min=min(xbeta), xbeta_max=max(xbeta), xbeta_median=median(xbeta), xbeta_mean=mean(xbeta),
               GB_ODDS=GOOD/BAD, LN_GB_ODDS = log(GOOD/BAD))
output$cummu_good = cumsum(output$GOOD)
output$cummu_bad = cumsum(output$BAD)
output$cummu_n = cumsum(output$n)
output$sum_good = sum(output$GOOD)
output$sum_bad = sum(output$BAD)
output$cummu_good_pct = cumsum(output$GOOD/output$sum_good)
output$cummu_bad_pct = cumsum(output$BAD/output$sum_bad)
output[["sum_good"]]=NULL
output[["sum_bad"]]=NULL
output

R - 秩和组

R - Rank and Group

r

dataframe

rank

calculated-columns