识别在R数据框中出现一定次数的值

Question

我有一个字符串数据框，其中大部分都是重复的。我想确定此数据框中至少出现x次的值。

   df <- data.frame(x = c("str", "str", "str", "ing", "ing","."))
   occurs <- 3

数据框包含数百个独特的字符串，以及数万个元素。在这个例子中，我如何识别哪些字符串至少发生了三次？具体来说，我想输出符合此标准的字符串的名称，而不是数据框中的索引。

Answer 1

也许sign就是您所需要的 - 这是基于您的代码的修改示例：

Aquarius: 2
Sagittarius: 2
Gemini: 1
...

Answer 2

您也可以使用count：

library(dplyr)
df %>% count(x)

这将调用n()来计算每个x的观察次数：

# Source: local data frame [3 x 2]
#
#     x n
# 1   . 1
# 2 ing 2
# 3 str 3

如果您只想要至少出现3次，请使用filter()：

df %>% count(x) %>% filter(n >= 3)

给出了：

# Source: local data frame [1 x 2]
# 
#     x n
# 1 str 3

最后，如果您只想提取与您的过滤条件相对应的因素：

df %>% count(x) %>% filter(n >= 3) %>% .$x

# [1] str
# Levels: . ing str

根据@David在评论中的建议，您也可以使用data.table：

library(data.table)
setDT(df)[, if(.N >= 3) x, by = x]$V1

或者

setDT(df)[, .N, by = x][, x[N >= 3]]

# [1] str
# Levels: . ing str

根据@Frank的建议，你也可以使用table的“主力”tabulate：

levels(df[[1]])[tabulate(df[[1]])>=3]

# [1] "str" 

<强>基准

df <- data.frame(x = sample(LETTERS[1:26], 10e6, replace = TRUE))
df2 <- copy(df)

library(microbenchmark)
mbm <- microbenchmark(
  base = names(which(table(df$x) >= 385000)),
  base2 = levels(df[[1]])[tabulate(df[[1]])>385000L],
  dplyr = count(df, x) %>% filter(n >= 385000) %>% .$x,
  DT1 = setDT(df2)[, if(.N >= 385000) x, by = x]$V1,
  DT2 = setDT(df2)[, .N, by = x][, x[N >= 385000]],
  times = 50
)

> mbm
#Unit: milliseconds
#  expr       min        lq      mean    median        uq       max neval  cld
#  base 495.44936 523.29186 545.08199 543.56660 551.90360 652.13492    50    d
# base2  20.08123  20.09819  20.11988  20.10633  20.14137  20.20876    50 a   
# dplyr 226.75800 227.27992 231.19709 228.36296 232.71308 259.20770    50   c 
#   DT1  41.03576  41.28474  50.92456  48.40740  48.66626 168.53733    50  b  
#   DT2  41.45874  41.85510  50.76797  48.93944  49.49339  74.58234    50  b