选择一个因素内的因素水平

Question

这是我的例子：

df<-data.frame(ID=as.factor(c(rep("A",20),rep("B",15))),var=as.factor(c(rep("w",5),rep("x",10),rep("y",12),rep("z",8))), obs=runif(35,0,10))

我想做的是，对于每个 'ID'，能够 select 一个 'var'，随机并且可能 selecting 'var' 最多 'obs'。因此，例如，它可以随机给出：

   ID  var       obs
6   A   x 3.44405412
7   A   x 1.50957637
8   A   x 8.22009420
9   A   x 7.47094473
10  A   x 8.26098410
11  A   x 9.62919537
12  A   x 0.10393890
13  A   x 0.11298502
14  A   x 4.33822574
15  A   x 4.20109035
28  B   z 1.07697286
29  B   z 8.40864310
30  B   z 7.62563257
31  B   z 0.06885177
32  B   z 4.33959316
33  B   z 7.98303782
34  B   z 8.38335593
35  B   z 4.52110318

预先感谢您的帮助。

Answer 1

一个选项使用 data.table。

我们将 'data.frame' 转换为 'data.table' (setDT(df))。按 'ID' 和 'var' 分组，我们创建一个变量 'N'，它给出每个组的行数 (.N)。然后，我们按 'ID' 分组，并对具有 'N' (.SD[N==max(N)]) 的 max 值的行进行子集化。 'N' 列可以分配给 'NULL'，因为它在预期输出中不需要。

library(data.table)
setDT(df)[,N := .N  , by = .(ID, var)][, .SD[N==max(N)] ,
        by = .(ID)][, N:= NULL][]
#    ID var       obs
# 1:  A   x 9.2044378
# 2:  A   x 2.7973557
# 3:  A   x 7.6382046
# 4:  A   x 8.0163062
# 5:  A   x 2.5472509
# 6:  A   x 6.0488886
# 7:  A   x 3.7073495
# 8:  A   x 6.7169025
# 9:  A   x 6.7298231
#10:  A   x 3.2043056
#11:  B   z 5.9973018
#12:  B   z 6.3014766
#13:  B   z 0.4663503
#14:  B   z 3.1951313
#15:  B   z 2.3874890
#16:  B   z 3.6881753
#17:  B   z 1.4802475
#18:  B   z 9.3776173

通过分配新列，我们正在更改原始数据集 'df'。我们稍后可以通过

从原始数据集中删除该列

df[, N:=NULL]

或者在不分配 (:=) 的情况下修改上述代码，以便原始数据集保持不变。我们连接 .SD 即 Subset of Datatable 与 .N 以创建新列 'N'，然后像以前一样对行进行子集化。

setDT(df)[, c(list(N=.N), .SD) ,by =.(ID, var)][, 
                     .SD[N==max(N)], by =ID][, N:= NULL][]

或者按照@Frank 的建议，我们可以 copy(.SD) 避免原始数据集被更改，然后分配 'N'，然后像以前一样做。

setDT(df)[,copy(.SD)][,N := .N , by = .(ID, var)][,
                          .SD[N==max(N)] ,  by = .(ID)][]

如果我们想select在每个'ID'内随机'var'，我们可以使用sample来select单个'var'分组通过 'ID'，得到一个逻辑向量 (var==sample(var, 1)]) 并对行

进行子集化

setDT(df)[, .SD[var==sample(var, 1)] , by =ID]

数据

set.seed(24)
df <- data.frame(ID=as.factor(c(rep("A",20),rep("B",15))),
         var=as.factor(c(rep("w",5),rep("x",10),rep("y",12),rep("z",8))), 
         obs=runif(35,0,10))

Answer 2

这是另一种 data.table 方法。开始...

library(data.table)
setDT(df)

然后，select var 每个 ID:

# var with highest #obs
idvar_selected = df[,.(var = .SD[,.N,by=var][which.max(N)]$var), by=ID]

# or... at random, weighted by #obs
idvar_selected = df[,.(var = sample(var,1)), by=ID]

和"join"使用select离子：

df[idvar_selected, on=c("ID","var")]

选择一个因素内的因素水平

Selection of levels of factors within a factor

r

factors

dataframe

数据