Question

我的数据框有两个分组变量 grp1 和 grp2 以及一个连续变量 val 。我想修剪两个分组变量中的下部和上部十分位数。我这里有一个有点麻烦的解决方案：

# data
library(slqdf)
x0 <- data.frame(grp1 = rep(c("A","B","C"), c(20,30,50))
                 , grp2 = rep(c("f","m"),50)
                 , val = rnorm(100)
)
head(x0)
  grp1 grp2          val
1    A    f -0.006799051
2    A    m -0.554560465
3    A    f  3.254289174
4    A    m  0.609900847
5    A    f -0.554915077
6    A    m -0.010012371

在分组变量中添加一个计数器：

library(dplyr)
# sort within grouping factors
x0 <- sqldf("SELECT * FROM x0 ORDER BY grp1,grp2, val")
# counter within grouping factors
x0 <- x0 %>% group_by(paste(grp1,grp2)) %>% mutate(counter = row_number(paste(grp1,grp2)))

在分组变量中添加观察次数：

x0 <- sqldf(paste("SELECT a.*"
                  ,"      , (SELECT COUNT(*)"
                  ,"         FROM x0 b"
                  ,"         WHERE a.grp1 = b.grp1"
                  ,"               AND a.grp2 = b.grp2"
                  ,"         ) n"
                  ," FROM x0 a"
                  )
            )

计算百分位数：

x0$p <- with(x0, counter/n)

删除第一个和最后一个十分位数：

x1 <- subset(x0, p > 0.1 & p < 0.9)

sqldf("SELECT * FROM x1 ORDER BY grp1,grp2,counter LIMIT 10")
   grp1 grp2         val paste(grp1, grp2) counter  n   p
1     A    f -1.20616577               A f       2 10 0.2
2     A    f -0.56528613               A f       3 10 0.3
3     A    f -0.38902717               A f       4 10 0.4
4     A    f  0.07112568               A f       5 10 0.5
5     A    f  0.21885681               A f       6 10 0.6
6     A    f  0.29956892               A f       7 10 0.7
7     A    f  0.58522900               A f       8 10 0.8
8     A    m -1.37907878               A m       2 10 0.2
9     A    m -0.53148055               A m       3 10 0.3
10    A    m -0.26385376               A m       4 10 0.4

# control
nrow(x0)
[1] 100
nrow(x1)
[1] 78

是否有一个功能可以在一行中完成，或者有人知道如何以更优雅的方式完成它？

Answer 1

也许这就是你想要或至少接近的。首先是可重复的数据：

set.seed(2015)
x0 <- data.frame(grp1 = rep(c("A","B","C"), c(20,30,50))
                 , grp2 = rep(c("f","m"),50)
                 , val = rnorm(100)
)

现在我们可以使用dplyr的ntile函数来计算十分位数并删除第一个和最后一个：

library(dplyr)

x0 %>%
  group_by(grp1, grp2) %>%
  mutate(n = ntile(val, 10)) %>%
  filter(!n %in% c(1, 10))

#Source: local data frame [80 x 4]
#Groups: grp1, grp2
#
#   grp1 grp2          val n
#1     A    f -1.545448388 2
#2     A    m -0.528393243 3
#3     A    f -1.086758791 4
#4     A    m -0.000111512 4
#5     A    f  0.388953783 8
#6     A    m  0.532631272 6
#7     A    m  0.650598453 7
#8     A    f -0.624245435 5
#9     A    m  0.891555027 9
#10    A    f  0.501271527 9
#..  ...  ...          ...

或更短（不创建列n）：

x0 %>%
  group_by(grp1, grp2) %>%
  filter(!ntile(val, 10) %in% c(1, 10))

dplyr::ntile的说明是：

ntile：粗略排名，将输入向量分解为n个桶。

分组因子内的分位数较低和较高

1 个答案: