使用dplyr::percent_rank()函数计算组内的百分位排名

Question

假设我有以下数据：

id    grpvar1    grpvar2    value
1     1          3          7.6
2     1          2          4
...
3     1          5          2

对于每个id，我想计算其在由grpvar1和grpvar2组合定义的组内value百分比排名percent_rank()。

使用data.table，我会这样做（假设我的数据在名为dataf的data.frame中）：

library(data.table)

# Make dataset into a data.table.
dt <- data.table(dataf)

# Calculate the percentiles.
dt[, percrank := rank(value)/length(value), by = c("grpvar1", "grpvar2")]

在dplyr中，相当于什么？

- Brash Equilibrium

---

你可以尝试使用以下代码：dataf %>% group_by(grpvar1, grpvar2) %>% mutate(percrank=rank(value)/length(value)) 这段代码会给出与使用data.table时展示的输出相同的结果。 - akrun

使用 dplyr::percent_rank() 没有实际的理由，因为它只是一个简单的函数，执行的操作与 (min_rank(x) - 1)/(length(x) - 1) 相同。与尝试采用 percent_rank 的方式相比，编写 rank(value)/length(value) 更容易。 - David Arenburg

Akrun，把它写在一个答案里，一旦我确认它按照我的意愿工作，就会检查它！ - Brash Equilibrium

@Brash Equilibrium 谢谢，我把它发布为解决方案。 - akrun

为什么公式是min_rank(x)-1/length(x)-1？我不理解“-1”部分的含义。 - user798719

Answer 1

尝试：

 library(dplyr)
 dataf %>%
 group_by(grpvar1, grpvar2) %>% 
 mutate(percrank=rank(value)/length(value))

- akrun

---

如果在一个包含数百万行和成千上万个组的Postgres数据库中处理外部数据集，这可能会非常缓慢，对吗？ - Brash Equilibrium

@Brash Equilibrium 是的，我同意。如果数据集可管理，data.table 将是更快的选项。 - akrun

如果一次性将整个数据集全部导入可能会变得难以管理。我需要只导入进行排名所需的数据，然后在排名后的聚合步骤中清除垃圾数据。 - Brash Equilibrium

我在谈论dplyr查询构建能力，以及如何有时候在内存中处理比在数据库中更快，但这也意味着需要花费时间清理垃圾。 - Brash Equilibrium

@BrashEquilibrium 做基准测试 - 如果你的索引设置正确，PostgreSQL 可能能够大幅度优化查询。 - hadley