我有一个存储在 R 变量中的字符串集,当我检查它的类时,显示它是一个因子。
例如:mySet<-c("abc","abc","def","abc","def","efg","abc")
我希望能够获取在这个集合中出现次数最多的字符串(即在此例中为“abc”)。
我知道一种方法是使用hist()
函数,但我遇到了数据类型问题,由于我是R的新手,我无法自己解决这个问题。
tabulate
, 这比 table
更快,因此可以得到以下类似的函数:MaxTable <- function(InVec, mult = FALSE) {
if (!is.factor(InVec)) InVec <- factor(InVec)
A <- tabulate(InVec)
if (isTRUE(mult)) {
levels(InVec)[A == max(A)]
}
else levels(InVec)[which.max(A)]
}
这个函数的设计也旨在识别最大值有多个的情况。请比较以下内容:
mySet <- c("A", "A", "A", "B", "B", "B", "C", "C")
## Your question indicates that you have factors,
## but your sample code is a character vector
mySetF <- factor(mySet) ## Just as an example
## @BrodieG's answer
fun1 <- function(InVec) {
names(which.max(table(InVec)))
}
## @sgibb's answer
fun2 <- function(InVec) {
m <- which.max(table(as.character(InVec)))
as.character(InVec)[m]
}
fun1(mySet)
# [1] "A"
fun2(mySet)
# [1] "A"
MaxTable(mySet)
# [1] "A"
MaxTable(mySet, mult = TRUE)
# [1] "A" "B"
library(microbenchmark)
microbenchmark(fun1(mySet), fun2(mySet), MaxTable(mySet), MaxTable(mySetF))
# Unit: microseconds
# expr min lq median uq max neval
# fun1(mySet) 291.457 297.1845 302.2080 313.1235 3008.108 100
# fun2(mySet) 296.388 302.0775 311.3170 321.5260 1367.137 100
# MaxTable(mySet) 172.463 180.8755 184.8355 189.9700 1947.700 100
# MaxTable(mySetF) 34.510 38.1545 44.6045 46.6695 95.341 100
在小向量级别上,这个函数更加高效。对于因子
向量来说,这一点更加明显。那么对于更大的向量呢?
set.seed(1)
medSet <- sample(c(LETTERS, letters), 1e5, TRUE)
medSetF <- factor(medSet)
fun1(medSet)
# [1] "E"
fun2(medSet) ### Wrong Answer!!!
# [1] "D"
MaxTable(medSet)
# [1] "E"
microbenchmark(fun1(medSet), MaxTable(medSet), MaxTable(medSetF))
# Unit: microseconds
# expr min lq median uq max neval
# fun1(medSet) 14222.846 14350.957 14484.4490 14600.490 34810.174 100
# MaxTable(medSet) 7787.761 7860.248 7917.3455 8019.068 9762.884 100
# MaxTable(medSetF) 501.733 529.257 570.0735 587.936 1469.994 100
我已经从基准测试中删除了@sgibb的函数(与fun1()
的运行时间大致相同),因为它返回了错误的答案。
最后一项基准测试....
set.seed(3)
bigSet <- sample(c(LETTERS, letters), 1e7, TRUE)
bigSetF <- factor(bigSet)
microbenchmark(fun1(bigSet), MaxTable(bigSet), MaxTable(bigSetF), times = 10)
# Unit: milliseconds
# expr min lq median uq max neval
# fun1(bigSet) 1519.37503 1612.10290 1648.36473 1789.02965 1932.41073 10
# MaxTable(bigSet) 782.01856 791.86408 834.35764 894.60535 1019.28747 10
# MaxTable(bigSetF) 48.56459 48.76492 49.25444 49.93911 50.20404 10
对sqibb的改进:
names(which.max(table(mySet)))
# [1] "abc"
repeated <- function(x) as(names(which.max(table(x))), mode(x)) repeated(a) 其中a是一个包含单词或数字的向量
?tabulate
回答自己的问题,但我想知道如果mult
为false但两个级别同样频繁,它会返回什么。 - Hack-RMaxTable
是一个非常有用的函数,但是如果给它一个因子,但不是每个水平都在数据中,它就会失败。在这种情况下,levels(InVec)[A == max(A)]
左侧的级别比子集中的布尔值更多。使用InVec <- factor(as.character(InVec))
可以避免这种可能性。 - BurninLeo