按组计算众数（最频繁出现的值）的简洁R data.table语法

Question

什么是用于查找每个id最常见类别的高效优雅的data.table语法？我保留一个布尔向量，用于指示NA位置（用于其他目的）。

dt = data.table(id=rep(1:2,7), category=c("x","y",NA))
print(dt)

在这个玩具示例中，忽略NA，x是id==1的常见类别，而y是id ==2 的常见类别。

- Amitai

Answer 1

如果你想忽略NA的值，你需要首先使用!is.na(category)将其排除，然后按照id和category（by = .(id, category)）进行分组，并使用.N创建一个频率变量：

 dt[!is.na(category), .N, by = .(id, category)]

这将会给出：

   id category N
1:  1        x 3
2:  2        y 3
3:  2        x 2
4:  1        y 2

按照 id 排序将会更加清晰：

 dt[!is.na(category), .N, by = .(id, category)][order(id)]

这会导致：

   id category N
1:  1        x 3
2:  1        y 2
3:  2        y 3
4:  2        x 2

如果您只想要显示前几个结果的行：

dt[!is.na(category), .N, by = .(id, category)][order(id, -N), head(.SD,1), by = id]

或者：

dt[!is.na(category), .N, by = .(id, category)][, .SD[which.max(N)], by = id]

这两者都提供：

   id category N
1:  1        x 3
2:  2        y 3

- Jaap

---

这可能会导致删除只有NAs的组，顺便说一句...在这种情况下，可以将它们重新加入或其他什么 dt[!is.na(category)][, .N, by=.(id, category)][order(-N)][.(unique(dt$id)), on=.(id), .SD[1L], by=id] 或者只是给非NAs优先排序：dt[, .N, by=.(id, category)][order(is.na(category), -N), .SD[1L], by=id] - Frank