根据变量中出现频率最高的前N个值，对数据框进行子集筛选。

Question

我的目标是创建一个简单的密度图或者柱状图，展示课程（MOOC）中各国籍相对频率的长格式数据框。我只想显示前10个国籍，不希望显示所有国籍。下面是我创建的示例数据框和我用于绘图的ggplot2代码。

d=data.frame(course=sample(LETTERS[1:5], 500,replace=T),nationality=as.factor(sample(1:172,500,replace=T)))
mm <- ggplot(d, aes(x=nationality, colour=factor(course)))
mm + geom_bar() + theme_classic()

...但是，如上所述：我想要一个基于频率的数据子集。上面显示了所有数据。

附带说明一下，我添加了ggplot2代码以提供上下文，也许ggplot2本身有一些能够实现这个目标的方法（但我怀疑）。

编辑 2014-12-11：当前的答案使用ddplyr或table方法来得到所需的子集，但我想知道是否有更直接的方法来实现同样的功能。暂时保留这个问题，看看是否有其他方法。

- Thieme Hennis

---

关于你的“PS”和“EDIT”：通常更容易使用你选择的数据处理工具_首先_准备数据框，_然后_调用ggplot。这个问答，与你的情况类似，是许多例子之一。干杯。 - Henrik

Answer 1

使用dplyr函数count和top_n获取前10个国籍。由于top_n考虑并列，因此此示例中包括的国籍数量超过了10个。对计数进行arrange，使用factor和levels按降序设置国籍。

# top-10 nationalities
d2 <- d %>%
  count(nationality) %>%
  top_n(10) %>%
  arrange(n, nationality) %>%
  mutate(nationality = factor(nationality, levels = unique(nationality)))

d %>%
  filter(nationality %in% d2$nationality) %>%
  mutate(nationality = factor(nationality, levels = levels(d2$nationality))) %>%
  ggplot(aes(x = nationality, fill = course)) +
    geom_bar()

- Henrik

---

非常感谢。就在今天下午，我正在研究 dplyr，但意识到我没有时间深入研究它。看起来语法很不错，以后会再去了解一下。 - Thieme Hennis

Answer 2

以下是选择前10个国籍的方法。请注意，有多个国籍具有相同的频率。因此，选择前10个结果会省略一些具有相同频率的国籍。

# calculate frequencies
tab <- table(d$nationality)
# sort
tab_s <- sort(tab)
# extract 10 most frequent nationalities
top10 <- tail(names(tab_s), 10)
# subset of data frame
d_s <- subset(d, nationality %in% top10)
# order factor levels
d_s$nationality <- factor(d_s$nationality, levels = rev(top10))

# plot
ggplot(d_s, aes(x = nationality, fill = as.factor(course))) +
  geom_bar() + 
  theme_classic()

请注意，我将colour更改为fill，因为colour会影响边框的颜色。

- Sven Hohenstein

---

这个问题对我来说更易懂，但你会如何对ggplot的结果进行排序？ - Thieme Hennis

Answer 3

虽然这个问题已经提出了一段时间，但为了完整起见，我提出另外两个解决方案：

d_raw <- data.frame(
  course = sample(LETTERS[1:5], 500, replace = T),
  nationality = as.factor(sample(1:172, 500, replace=T))
)

使用 forcats 包中的 fct_lump_n() 和 filter()

 d1 <- d_raw %>% 
   mutate(nationality = fct_lump_n(
     f = nationality, 
     n = 10,
     ties.method = "first"
   )) %>% 
   filter(nationality != "Other")

 d1 %>% count(nationality, sort = TRUE)

 ggplot(d1, aes(x = nationality, fill = course)) + # 这里不需要使用 factor()
   geom_bar() + 
   theme_classic()

fct_lump_n() 函数将除了前 10 个最常见的国籍以外的所有国籍归为类别 "Other"。请注意，在 fct_lump_n() 的参数中，需要使用 ties.method = "first" 才能确实只获取前十个国籍，而不是第 11 或 12 个国籍。即使其他国籍可能与前十个国籍同样频繁地出现，它们也都被标为 "Other"。

国籍的级别仅按字母顺序排序。

另一种解决方案是使用 forcats 包中的 fct_infreq()、cur_group_id() 和 filter()。

 d2 <- d_raw %>% 
   group_by(nationality = fct_infreq(nationality)) %>% 
   filter(cur_group_id() <= 10) %>% 
   ungroup()

 d2 %>% count(nationality, sort = TRUE)

 ggplot(d2, aes(x = nationality, fill = course)) + # 这里不需要使用 factor()
   geom_bar() + 
   theme_classic()

cur_group_id() 函数为每个国籍分配一个组 ID。要从最常见的国籍开始，我们首先需要按其频率对列 nationality 进行排序。然后，我们筛选前十个组 ID 或者说最常见的国籍。

国籍的级别首先按照 n 排序，然后按字母顺序排序。

我使用 count() 来验证两个数据框 d1 和 d2 是否相同。 这两种解决方案的优点是，我们不需要第二个（临时）数据框或临时向量。

希望这能对未来的某个人有所帮助。

- viols