Obtendo os melhores valores por grupo

92

Aqui está um exemplo de quadro de dados:

d <- data.frame(
  x   = runif(90),
  grp = gl(3, 30)
)

Eu quero que o subconjunto dcontenha as linhas com os 5 principais valores de xpara cada valor de grp.

Usando a base R, minha abordagem seria algo como:

ordered <- d[order(d$x, decreasing = TRUE), ]    
splits <- split(ordered, ordered$grp)
heads <- lapply(splits, head)
do.call(rbind, heads)
##              x grp
## 1.19 0.8879631   1
## 1.4  0.8844818   1
## 1.12 0.8596197   1
## 1.26 0.8481809   1
## 1.18 0.8461516   1
## 1.29 0.8317092   1
## 2.31 0.9751049   2
## 2.34 0.9269764   2
## 2.57 0.8964114   2
## 2.58 0.8896466   2
## 2.45 0.8888834   2
## 2.35 0.8706823   2
## 3.74 0.9884852   3
## 3.73 0.9837653   3
## 3.83 0.9375398   3
## 3.64 0.9229036   3
## 3.69 0.8021373   3
## 3.86 0.7418946   3

Usando dplyr, eu esperava que isso funcionasse:

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  head(n = 5)

mas ele retorna apenas as 5 primeiras linhas gerais.

Trocar headpor top_nretorna o todo d.

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  top_n(n = 5)

Como obtenho o subconjunto correto?

r  data.table  dplyr 
— Algodão rico
fonte

Respostas:

125

De dplyr 1.0.0 , " slice_min()e slice_max()selecione as linhas com os valores mínimo ou máximo de uma variável, substituindo o confuso top_n()."

d %>% group_by(grp) %>% slice_max(order_by = x, n = 5)
# # A tibble: 15 x 2
# # Groups:   grp [3]
#     x grp  
# <dbl> <fct>
#  1 0.994 1    
#  2 0.957 1    
#  3 0.955 1    
#  4 0.940 1    
#  5 0.900 1    
#  6 0.963 2    
#  7 0.902 2    
#  8 0.895 2    
#  9 0.858 2    
# 10 0.799 2    
# 11 0.985 3    
# 12 0.893 3    
# 13 0.886 3    
# 14 0.815 3    
# 15 0.812 3

Pré- dplyr 1.0.0uso top_n:

De ?top_n, sobre o wtargumento:

A variável a ser usada para o pedido [...] assume a última variável no tbl ".

A última variável em seu conjunto de dados é "grp", que não é a variável que você deseja classificar, e é por isso que sua top_ntentativa "retorna o d inteiro". Portanto, se você deseja classificar por "x" em seu conjunto de dados, é necessário especificar wt = x.

d %>%
  group_by(grp) %>%
  top_n(n = 5, wt = x)

Dados:

set.seed(123)
d <- data.frame(
  x = runif(90),
  grp = gl(3, 30))
— Henrik
fonte
7
Existe alguma maneira de ignorar os laços?
— Matías Guzmán Naranjo
@ MatíasGuzmánNaranjo, stackoverflow.com/questions/21308436/…
— nanselm2
40

Muito fácil com data.tabletambém ...

library(data.table)
setorder(setDT(d), -x)[, head(.SD, 5), keyby = grp]

Ou

setorder(setDT(d), grp, -x)[, head(.SD, 5), by = grp]

Ou (deve ser mais rápido para o conjunto de big data porque evita chamar .SDpara cada grupo)

setorder(setDT(d), grp, -x)[, indx := seq_len(.N), by = grp][indx <= 5]

Editar: Veja como se dplyrcompara a data.table(se alguém estiver interessado)

set.seed(123)
d <- data.frame(
  x   = runif(1e6),
  grp = sample(1e4, 1e6, TRUE))

library(dplyr)
library(microbenchmark)
library(data.table)
dd <- copy(d)

microbenchmark(
  top_n = {d %>%
             group_by(grp) %>%
             top_n(n = 5, wt = x)},
  dohead = {d %>%
              arrange_(~ desc(x)) %>%
              group_by_(~ grp) %>%
              do(head(., n = 5))},
  slice = {d %>%
             arrange_(~ desc(x)) %>%
             group_by_(~ grp) %>%
             slice(1:5)},
  filter = {d %>% 
              arrange(desc(x)) %>%
              group_by(grp) %>%
              filter(row_number() <= 5L)},
  data.table1 = setorder(setDT(dd), -x)[, head(.SD, 5L), keyby = grp],
  data.table2 = setorder(setDT(dd), grp, -x)[, head(.SD, 5L), grp],
  data.table3 = setorder(setDT(dd), grp, -x)[, indx := seq_len(.N), grp][indx <= 5L],
  times = 10,
  unit = "relative"
)


#        expr        min         lq      mean     median        uq       max neval
#       top_n  24.246401  24.492972 16.300391  24.441351 11.749050  7.644748    10
#      dohead 122.891381 120.329722 77.763843 115.621635 54.996588 34.114738    10
#       slice  27.365711  26.839443 17.714303  26.433924 12.628934  7.899619    10
#      filter  27.755171  27.225461 17.936295  26.363739 12.935709  7.969806    10
# data.table1  13.753046  16.631143 10.775278  16.330942  8.359951  5.077140    10
# data.table2  12.047111  11.944557  7.862302  11.653385  5.509432  3.642733    10
# data.table3   1.000000   1.000000  1.000000   1.000000  1.000000  1.000000    10

Adicionando uma data.tablesolução marginalmente mais rápida :

set.seed(123L)
d <- data.frame(
    x   = runif(1e8),
    grp = sample(1e4, 1e8, TRUE))
setDT(d)
setorder(d, grp, -x)
dd <- copy(d)

library(microbenchmark)
microbenchmark(
    data.table3 = d[, indx := seq_len(.N), grp][indx <= 5L],
    data.table4 = dd[dd[, .I[seq_len(.N) <= 5L], grp]$V1],
    times = 10L
)

saída de tempo:

Unit: milliseconds
        expr      min       lq     mean   median        uq      max neval
 data.table3 826.2148 865.6334 950.1380 902.1689 1006.1237 1260.129    10
 data.table4 729.3229 783.7000 859.2084 823.1635  966.8239 1014.397    10
— David Arenburg
fonte
Adicionando outro data.tablemétodo que deve ser um pouco mais rápido:dt <- setorder(setDT(dd), grp, -x); dt[dt[, .I[seq_len(.N) <= 5L], grp]$V1]
— chinsoon12
@ chinsoon12 seja meu convidado. Não tenho tempo para comparar essas soluções novamente.
— David Arenburg,
Adicionando outro data.tablemétodo mais fácil:setDT(d)[order(-x),x[1:5],keyby = .(grp)]
— Tao Hu
@TaoHu é muito parecido com as duas primeiras soluções. Eu não acho que :vai baterhead
— David Arenburg
@DavidArenburg Sim, concordo com você, acho que a maior diferença é setordermais rápido do queorder
— Tao Hu
33

Você precisa encerrar headuma chamada para do. No código a seguir, .representa o grupo atual (veja a descrição ...na dopágina de ajuda).

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  do(head(., n = 5))

Conforme mencionado por akrun, sliceé uma alternativa.

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  slice(1:5)

Embora eu não tenha perguntado isso, para completar, uma data.tableversão possível é (graças a @Arun pela correção):

setDT(d)[order(-x), head(.SD, 5), by = grp]
— Algodão rico
fonte
1
@akrun Obrigado. Eu não sabia dessa função.
— Richie Cotton
@DavidArenburg Obrigado. É isso que acontece quando postamos uma resposta com pressa. Eu removi o absurdo.
— Richie Cotton
2
Richie, FWIW, você só precisa de uma pequena adição:setDT(d)[order(-x), head(.SD, 5L), by=grp]
— Arun
Esta resposta está um pouco desatualizada, mas a segunda parte é o caminho idomatic se você largar o ~e usar arrangee em group_byvez de arrange_egroup_by_
— Moody_Mudskipper
15

Minha abordagem na base R seria:

ordered <- d[order(d$x, decreasing = TRUE), ]
ordered[ave(d$x, d$grp, FUN = seq_along) <= 5L,]

E usando dplyr, a abordagem com sliceé provavelmente mais rápida, mas você também pode usar o filterque provavelmente será mais rápido do que usar do(head(., 5)):

d %>% 
  arrange(desc(x)) %>%
  group_by(grp) %>%
  filter(row_number() <= 5L)

benchmark dplyr

set.seed(123)
d <- data.frame(
  x   = runif(1e6),
  grp = sample(1e4, 1e6, TRUE))

library(microbenchmark)

microbenchmark(
  top_n = {d %>%
             group_by(grp) %>%
             top_n(n = 5, wt = x)},
  dohead = {d %>%
              arrange_(~ desc(x)) %>%
              group_by_(~ grp) %>%
              do(head(., n = 5))},
  slice = {d %>%
             arrange_(~ desc(x)) %>%
             group_by_(~ grp) %>%
             slice(1:5)},
  filter = {d %>% 
              arrange(desc(x)) %>%
              group_by(grp) %>%
              filter(row_number() <= 5L)},
  times = 10,
  unit = "relative"
)

Unit: relative
   expr       min        lq    median        uq       max neval
  top_n  1.042735  1.075366  1.082113  1.085072  1.000846    10
 dohead 18.663825 19.342854 19.511495 19.840377 17.433518    10
  slice  1.000000  1.000000  1.000000  1.000000  1.000000    10
 filter  1.048556  1.044113  1.042184  1.180474  1.053378    10
— Talat
fonte
@akrun filterrequer uma função adicional, enquanto sua sliceversão não ...
— David Arenburg
1
Você sabe por que não adicionou data.tableaqui;)
— David Arenburg
5
Eu sei e posso te dizer: porque a pergunta era especificamente para uma solução dplyr.
— data de
1
Eu tava brincando ... Não é como se você nunca fizesse o mesmo (só na direção oposta).
— David Arenburg
@DavidArenburg, eu não estava dizendo que é "ilegal" ou algo parecido para fornecer uma resposta data.table .. Claro que você pode fazer isso e fornecer qualquer benchmark que quiser :) A propósito, a pergunta que você vinculou é um bom exemplo onde a sintaxe dplyr é muito mais conveniente (eu sei, subjetiva!) do que data.table.
— 2015
1

top_n (n = 1) ainda retornará várias linhas para cada grupo se a variável de ordenação não for exclusiva dentro de cada grupo. Para selecionar precisamente uma ocorrência para cada grupo, adicione uma variável única a cada linha:

set.seed(123)
d <- data.frame(
  x   = runif(90),
  grp = gl(3, 30))

d %>%
  mutate(rn = row_number()) %>% 
  group_by(grp) %>%
  top_n(n = 1, wt = rn)
— Jan Vydra
fonte
0

Mais uma data.tablesolução para destacar sua sintaxe concisa:

setDT(d)
d[order(-x), .SD[1:5], grp]
— sindri_baldur
fonte
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.