Question

我正在尝试检索数据框中存在的特定列中重复次数最多的值。这是我的示例数据和代码.A

data("Forbes2000", package = "HSAUR")
head(Forbes2000)


  rank                name        country             category  sales profits  assets marketvalue
1    1           Citigroup  United States              Banking  94.71   17.85 1264.03      255.30
2    2    General Electric  United States        Conglomerates 134.19   15.59  626.93      328.54
3    3 American Intl Group  United States            Insurance  76.66    6.46  647.66      194.87
4    4          ExxonMobil  United States Oil & gas operations 222.88   20.96  166.99      277.02
5    5                  BP United Kingdom Oil & gas operations 232.57   10.27  177.57      173.54
6    6     Bank of America  United States              Banking  49.01   10.81  736.45      117.55

根据我的样本数据，我需要返回最重复的类别，即保险。

subset(subset(Forbes2000,country=="Bermuda")

Answer 1

tail(names(sort(table(Forbes2000$category))), 1)

Answer 2

如果两个或更多类别最常绑定，请使用以下内容：

x <- c("Insurance", "Insurance", "Capital Goods", "Food markets", "Food markets")
tt <- table(x)
names(tt[tt==max(tt)])
[1] "Food markets" "Insurance"

Answer 3

使用data.table包的另一种方法，对大型数据集来说更快：

set.seed(1)
x=sample(seq(1,100), 5000000, replace = TRUE)

方法1（上面提出的解决方案）

start.time <- Sys.time()
tt <- table(x)
names(tt[tt==max(tt)])
end.time <- Sys.time()
time.taken <- end.time - start.time
time.taken

4.883488秒的时差

方法2（数据表）

start.time <- Sys.time()
ds <- data.table( x )
setkey(ds, x)
sorted <- ds[,.N,by=list(x)]

most_repeated_value <- sorted[order(-N)]$x[1]
most_repeated_value

end.time <- Sys.time()
time.taken <- end.time - start.time
time.taken

0.328033秒的时差

Answer 4

您可以使用table(Forbes2000$CategoryName, useNA="ifany")。这将为您提供所选类别中所有可能值的列表以及该特定数据框中每个值的使用次数。

Answer 5

我知道答案来得有点晚，但是我构建了以下函数，该函数可以在不到一秒钟的时间内对包含50,000行以上的数据框执行此工作：

print_count_of_unique_values <- function(df, column_name, remove_items_with_freq_equal_or_lower_than = 0, return_df = F, 
                                         sort_desc = T, return_most_frequent_value = F)
{
  temp <- df[column_name]
  output <- as.data.frame(table(temp))
  names(output) <- c("Item","Frequency")
  output_df <- output[  output[[2]] > remove_items_with_freq_equal_or_lower_than,  ]

  if (sort_desc){
    output_df <- output_df[order(output_df[[2]], decreasing = T), ]
  }

  cat("\nThis is the (head) count of the unique values in dataframe column '", column_name,"':\n")
  print(head(output_df))

  if (return_df){
    return(output_df)
  }

  if (return_most_frequent_value){
      output_df$Item <- as.character(output_df$Item)
      output_df$Frequency <- as.numeric(output_df$Frequency)
      most_freq_item <- output_df[1, "Item"]
      cat("\nReturning most frequent item: ", most_freq_item)
      return(most_freq_item)
  }
}

因此，如果您有一个名为“ df”的数据框和一个名为“ name”的列，并且想知道“ name”列中最多的注释值，则可以运行：

most_common_name <- print_count_of_unique_values(df=df, column_name = "name", return_most_frequent_value = T)

Answer 6

您可以创建一个函数：

get_mode <- function(x){
  return(names(sort(table(x), decreasing = T, na.last = T)[1]))
}

然后做

get_mode(Forbes3000$category)

创建函数的原因是我经常需要这种事情。

Answer 7

以下是（对我而言）最容易阅读和记住的：

names(which.max(table(Forbes2000$category)))

关于效率的额外说明：这种方法避免了对表条目进行排序（找到最大值比完全排序便宜）。最有效的解决方案是避免完整的制表。您可以想象一个 Rcpp 解决方案，它循环遍历源向量并保持一个正在运行的制表，但在比赛已经结束时停止。如果有人编写了该解决方案，请 ping 我，以便我给您 +1 并编辑此答案以参考您的答案。

Answer 8

我建议Rfast::Table。

Rfast::Table(as.character(Forbes2000$CategoryName))

您可以获得最大值。

Answer 9

使用@Malvika 中的函数选项可以轻松地跨表应用并为每一列获取这些值

#create a mode function
get_mode_name <- function(x){
  return(names(sort(table(x), decreasing = T, na.last = T)[1]))
}

get_mode_value <- function(x){
  return(unname(sort(table(x), decreasing = T, na.last = T)[1]))
}

get_mode_pct<- function(x){
  return(unname(sort(table(x), decreasing = T, na.last = T)[1])/length(x))
}

#Identify character columns
type_table <- sapply(table_name, class)

#create vector numeric and character types
num_table <- (unname(type_table) == "numeric")
char_table <- (unname(type_table) == "character")

#View the modes of character columns
mode_name <- apply(table_name[,char_table], 2, function(x) get_mode_name(x))    
mode_value <- apply(table_name[,char_table], 2, function(x) get_mode_value(x))
mode_pct <- apply(table_name[,char_table], 2, function(x) get_mode_pct(x))

如何检索数据框中存在的列中重复次数最多的值

9 个答案: