当存在平局时如何总结数据集中的前 3 个最高值

Posted 2023-03-31

【中文标题】当存在平局时如何总结数据集中的前 3 个最高值

【英文标题】：How to summarize the top 3 highest values in a dataset when there are ties

【发布时间】：2019-05-11 17:06:19

【问题描述】：

我有一个数据框 (my_data)，并且想要计算仅 3 个最高值的总和，即使可能存在平局。我对 R 很陌生，我使用过 dplyr。

A tibble: 15 x 3
   city      month number
   <chr>     <chr>  <dbl>
 1 Lund      jan       12
 2 Lund      feb       12
 3 Lund      mar       18
 4 Lund      apr       28
 5 Lund      may       28
 6 Stockholm jan       15
 7 Stockholm feb       15
 8 Stockholm mar       30
 9 Stockholm apr       30
10 Stockholm may       10
11 Uppsala   jan       22
12 Uppsala   feb       30
13 Uppsala   mar       40
14 Uppsala   apr       60
15 Uppsala   may       30

这是我尝试过的代码：

# For each city, count the top 3 of variable number
my_data %>% group_by(city) %>% top_n(3, number) %>% summarise(top_nr = sum(number))

预期的（想要的）输出是：

# A tibble: 3 x 2
  city      top_nr
  <chr>      <dbl>
1 Lund          86
2 Stockholm     75
3 Uppsala      130

但实际的 R 输出是：

# A tibble: 3 x 2
  city      top_nr
  <chr>      <dbl>
1 Lund          86
2 Stockholm     90
3 Uppsala      160

似乎如果存在平局，则所有平局值都包含在总和中。我只想计算 3 个具有最高值的唯一实例。

任何帮助将不胜感激！ :)

【问题讨论】：

您显示的示例和输出数字似乎不同。是否在不同的数据集上

请使用dput 提供您的数据，以便更容易重现问题。

@NelsonGon 我不知道 dput 函数。我以后会用的。

【参考方案1】：

没有top_n()，生活可能会更简单：

dat %>%
  group_by(city) %>%
  summarize(
    top_nr = sum(tail(sort(number), 3))
    )

【讨论】：

哇！非常简洁！但作为一个业余爱好者，我发现这部分：sum(tail(sort(number), 3))，很难理解（即使它很好地解决了这个问题）。

从中间开始sortsnumber升序;之后，tail 返回上一个结果中的 最后 3 个 数字，并将这些数字传递给 sum 函数，该函数将它们相加。

不错！谢谢！ :)

【参考方案2】：

我们可以使用distinct 来删除重复的元素。 top_n 的工作方式是，如果值重复，它将保留那么多重复行

my_data %>% 
   distinct(city, number, .keep_all = TRUE) %>%
   group_by(city) %>%
   top_n(3, number) %>%
   summarise(top_nr = sum(number))

更新

根据OP的新输出，在top_n输出（不是arranged）之后，得到'number'降序排列，得到前3个'number'的sum

my_data %>% 
   group_by(city) %>% 
   top_n(3, number) %>% 
   arrange(city,  desc(number)) %>% 
   summarise(number = sum(head(number, 3)))
# A tibble: 3 x 2
#  city      number
#  <chr>      <int>
#1 Lund          74
#2 Stockholm     75
#3 Uppsala      130

数据

my_data <- structure(list(city = c("Lund", "Lund", "Lund", "Lund", "Lund", 
"Stockholm", "Stockholm", "Stockholm", "Stockholm", "Stockholm", 
"Uppsala", "Uppsala", "Uppsala", "Uppsala", "Uppsala"), month = c("jan", 
"feb", "mar", "apr", "may", "jan", "feb", "mar", "apr", "may", 
"jan", "feb", "mar", "apr", "may"), number = c(12L, 12L, 18L, 
28L, 28L, 15L, 15L, 30L, 30L, 10L, 22L, 30L, 40L, 60L, 30L)), 
class = "data.frame", row.names = c("1", 
"2", "3", "4", "5", "6", "7", "8", "9", "10", "11", "12", "13", 
"14", "15"))

【讨论】：

谢谢@akrun，但是当我运行你建议的代码时，我得到了

为什么在这里使用head？我尝试了类似的方法并得到了奇怪的结果。

@NelsonGon 根据新的输出，OP 不会丢弃欺骗，而是只取前 3 个，top_n 给出与欺骗一样多的行

哦，我明白了。谢谢你的解释。

@akrun 不错的解决方案！谢谢！

【参考方案3】：

这个tidyverse（实际上是dplyr）解决方案几乎等于akrun's，但filters 是数据帧而不是获取top_n。

library(tidyverse)

my_data %>%
  group_by(city) %>%
  arrange(desc(number), .by_group = TRUE) %>%
  filter(row_number() %in% 1:3) %>%
  summarise(top_nr = sum(number))
## A tibble: 3 x 2
#  city      top_nr
#  <chr>      <int>
#1 Lund          74
#2 Stockholm     75
#3 Uppsala      130