当存在平局时如何总结数据集中的前 3 个最高值
Posted
技术标签:
【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sort
snumber
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arrange
d)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filter
s 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
【讨论】:
以上是关于当存在平局时如何总结数据集中的前 3 个最高值的主要内容,如果未能解决你的问题,请参考以下文章
返回每个组的最大值,但是当存在平局时,在 MySQL 中返回一个具有较低 id 的值