Question

此问题与How can I replace a factor levels with the top n levels (by some metric), plus [other]?有关。作为度量，我想使用因子的出现次数。我知道我可以通过列出事件列表来做到这一点，但我想知道是否有更漂亮的方式。

示例：

library(data.table);
library(plyr);
fac <- data.table(score = as.factor(c(3,4,5,3,3,3,5)));
ocCnt <- data.table(lapply(fac,count)$score);
fac$occurrence <- 0;
for(i in 1:length(fac$score)){fac$occurrence[i]<-ocCnt[x==fac$score[i]]$freq};

然后我可以使用引用的问题/答案中描述的功能：

hotfactor= function(fac,by,n=10,o="other") {
   levels(fac)[rank(-xtabs(by~fac))[levels(fac)]>n] <- o
   fac
}

继续这个例子，如果我们只想看到我们最常用的因素：

hotfactor(fac$score,fac$occurrence,1);

得到答案：

[1] 3其他3 3 3其他

级别：其他3个

所以我的问题是，我是否可以在不添加计算事件的列表的情况下执行此操作？

请注意，我想针对n个最受欢迎的因素（不仅仅是最受欢迎的因素）执行此操作。

Answer 1

使用table和which.max：

score <- factor(c(3,4,5,3,3,3,5))
levels(score)[- which.max(table(score))] <- "other"
#[1] 3     other other 3     3     3     other
#Levels: 3 other

显然，这会通过取第一个最大值来打破关系。

如果你想保持前两个级别：

score <- factor(c(3, 4,5,3,3,3,5), levels =c(4,3,5))

levels(score)[!levels(score) %in% names(sort(table(score), decreasing = TRUE)[1:2])] <- "other"
#[1] 3     other 5     3     3     3     5    
#Levels: other 3 5

Answer 2

如果您不知道需要分组多少级别，90％的数据并且愿意使用dplyr，您可以按照以下方式执行操作：

library(dplyr)

df <- data.frame(
        f = factor(mapply(rep, letters[1:5], 2^(1:5)) %>% unlist(use.names = F))
)

df %>% 
    count(f, sort = T) %>% 
    mutate(p = cumsum(n) / nrow(df))

#      A tibble: 5 x 3
#        f     n         p
#   <fctr> <int>     <dbl>
# 1      e    32 0.5161290
# 2      d    16 0.7741935
# 3      c     8 0.9032258
# 4      b     4 0.9677419
# 5      a     2 1.0000000

(top <- df %>% 
    count(f, sort = T) %>% 
    mutate(p = cumsum(n) / nrow(df)) %>%
    filter(cumall(p < .91)) %>% 
    select(f) %>% 
    unlist(use.names = F))

# [1] e d c
# Levels: a b c d e

levels(df$f) <- factor(c(levels(df$f), 'z'))
df$f[!df$f %in% top] <- 'z'

df %>% 
    count(f, sort = T) %>% 
    mutate(p = cumsum(n) / nrow(df))

#  A tibble: 4 x 3
#        f     n         p
#   <fctr> <int>     <dbl>
# 1      e    32 0.5161290
# 2      d    16 0.7741935
# 3      c     8 0.9032258
# 4      z     6 1.0000000

如何用前n个级别（按出现次数）替换因子级别

2 个答案: