dplyr - 按组分组并选择前 x%

Question

使用dplyr包和sample_frac函数，可以从每个组中抽取一定比例的样本。我需要做的是首先排序每个组中的元素，然后从每个组中选择前x%的元素？

有一个top_n函数，但在这里我只能确定行数，我需要一个相对值。

例如，以下数据按gear分组，并在每个组内按wt排序：

library(dplyr)
mtcars %>%
  select(gear, wt) %>%
  group_by(gear) %>%
  arrange(gear, wt)

    gear    wt
1   3   2.465
2   3   3.215
3   3   3.435
4   3   3.440
5   3   3.460
6   3   3.520
7   3   3.570
8   3   3.730
9   3   3.780
10  3   3.840
11  3   3.845
12  3   4.070
13  3   5.250
14  3   5.345
15  3   5.424
16  4   1.615
17  4   1.835
18  4   1.935
19  4   2.200
20  4   2.320
21  4   2.620
22  4   2.780
23  4   2.875
24  4   3.150
25  4   3.190
26  4   3.440
27  4   3.440
28  5   1.513
29  5   2.140
30  5   2.770
31  5   3.170
32  5   3.570

现在我想要在每个档位组中选择前 20%。

如果这个解决方案可以与 dplyr 的 group_by 函数集成，那就太好了。

- DatamineR

---

请提供一个 [mcve]。 - Steven Beaupré

你不能自己计算百分比吗？我不确定这是否有效，因为我们没有可重现的示例，但我认为它可能是这样的：my_data %>% group_by(my_var) %>% arrange(my_var) %>% filter(top_n()/n() == x%) - tblznbits

@brittenb 感谢你的帮助！top_n()不能没有参数使用。 - DatamineR

Answer 1

或者使用dplyr的另一个选项：

mtcars %>% select(gear, wt) %>% 
  group_by(gear) %>% 
  arrange(gear, desc(wt)) %>% 
  filter(wt > quantile(wt, .8))

Source: local data frame [7 x 2]
Groups: gear [3]

   gear    wt
  (dbl) (dbl)
1     3 5.424
2     3 5.345
3     3 5.250
4     4 3.440
5     4 3.440
6     4 3.190
7     5 3.570

- Sam Firke

---

真的是非常有创意的解决方案，谢谢大家！ :-) - DatamineR

我会加入大多数人并接受你的答案 :-) - DatamineR

Answer 2

这里有另一种方法

mtcars %>% 
  select(gear, wt) %>% 
  arrange(gear, desc(wt)) %>% 
  group_by(gear) %>% 
  slice(seq(n()*.2))

   gear    wt
  (dbl) (dbl)
1     3 5.424
2     3 5.345
3     3 5.250
4     4 3.440
5     4 3.440
6     5 3.570

我理解为“top”指的是“具有最高的wt值”，因此我使用了desc()函数。

- Frank

---

我应该能够在slice的位置写入top_n(n()*.2)，但不幸的是，熟悉的“Error in n() : This function should not be called directly”错误出现了。 - Frank

Answer 3

我相信这可以回答你想要的问题。

library(dplyr)

mtcars %>% select(gear, wt) %>% 
  group_by(gear) %>% 
  arrange(gear, wt) %>% 
  filter(row_number() / n() <= .2)

- tblznbits

---

太好了！我认为在 dplyr 中应该有一个实现这个功能的函数。 - DatamineR

请记住，这种方法不允许“至少20%”的方法。我的意思是，如果一个组只有4行或更少，那么它将不会选择任何一行，因为最小比率将大于20%。所以请记住，您可能会因此丢失数据。 - tblznbits

@brittenb 如果你想始终保留至少一行，那么使用 filter(row_number() <= max(1,.2*n())) 怎么样？ - Frank

@Frank 如果你关心至少保留一组记录，我认为这是一个好主意。显然这取决于问题的上下文，这超出了这个问题的范围，但我只是想提一下。 - tblznbits

Answer 4

我知道这个回答有些晚，但现在可能会对某些人有所帮助。dplyr现在有一个新的函数叫做top_frac。

  library(dplyr)
mtcars %>%
  select(gear, wt) %>%
  group_by(gear) %>%
  arrange(gear, wt) %>%
  top_frac(n = 0.2,wt = wt)

这里的n是要返回的行数占总行数的比例，而wt则是用于排序的变量。

输出结果如下：

齿轮 wt 3 5.250 3 5.345 3 5.424
4 3.440 4 3.440 5 3.570

- Shahan Degamwala

Answer 5

使用 top_n 和 dplyr 进行轻微变化：

mtcars %>% 
 group_by(gear) %>% 
 select(gear, wt) %>% 
 arrange(gear) %>% 
 top_n(seq(n()*.2))

  gear    wt
  <dbl> <dbl>
1     3  5.42
2     3  5.34
3     3  5.25
4     4  3.44
5     4  3.44
6     5  3.57

- Erick Mokaya