Question

我在R中有一个数据框。数据框有多行和多列。其中一列有不同车辆制造商的逗号分隔值，如丰田，本田等。我想计算逗号分隔值的频率，并根据每行的出现频率输出前三个值。以下是数据集：

Zip                   Make
12325 Toyota, Honda, Toyota, Mitsubishi, Mercedes
85271 Toyota,Honda,Toyota,Honda,Toyota,Toyota,Volvo,Nissan,Nissan,Nissan, Nissan 
56098 Toyota,Honda,Toyota,Mitsubishi,Chevrolet,Acura,Chevrolet,Chevrolet, Honda

这是我想要的输出

Output appended in the image

任何人都可以根据示例帮助实际的R代码吗？

Answer 1

在进行任何操作和求和之前，您需要先整理数据。

您的数据集：

df <- data.frame(Zip =c(12325, 85271, 56098), Make = c("Toyota,Honda,Toyota,Mitsubishi,Mercedes", "Toyota,Honda,Toyota,Honda,Toyota,Toyota,Volvo,Nissan,Nissan,Nissan,Nissan", "Toyota,Honda,Toyota,Mitsubishi,Chevrolet,Acura,Chevrolet,Chevrolet,Honda"))

将Make变为Character，以便我们将其拆分

df$Make <- as.character(df$Make)

导入库

library(stringr)
library(tidyverse)

用逗号分割每列，并创建不同品牌的矩阵，然后将其转换为数据框。然后命名列，并将数据框中的zip列分配给新的清洁列。

df2 <- as.data.frame(str_split_fixed(df$Make, ",", max(unlist(lapply(strsplit(df$Make, ","), length)))))


names(df2) <- paste0("car_", 1:ncol(df2))

df2$zip <- df$Zip

<强>检查：

> df2
   car_1 car_2  car_3      car_4     car_5  car_6     car_7     car_8  car_9 car_10 car_11   zip
1 Toyota Honda Toyota Mitsubishi  Mercedes                                                 12325
2 Toyota Honda Toyota      Honda    Toyota Toyota     Volvo    Nissan Nissan Nissan Nissan 85271
3 Toyota Honda Toyota Mitsubishi Chevrolet  Acura Chevrolet Chevrolet  Honda               56098

现在我们想整理一下。我们可以收集列以将其从宽格式转换为长格式。然后我们用NA替换空，并过滤掉它们。然后，我们会删除我们创建的car列。之后，我们将按zip和Make以及summarise进行分组，其中Make显示每个zip的计数。最后，我们按编号递减。

df3 <- df2 %>% 
  gather(car, Make, -zip) %>%
  replace(. == "", NA) %>%
  filter(!is.na(Make)) %>%
  select(-car) %>%
  group_by(zip, Make) %>%
  summarise(number = n()) %>%
  arrange(zip, desc(number))

我们做的最后一件事是我们可以创建一个名为top3的新df，我们可以将其切片以仅抓取每个分组的前3行（zip和Make）。由于我们已经安排下降，我们将使用此数据框通过邮政编码获得前三名。

top3 <- df3 %>%
  slice(1:3)

Answer 2

如果你坚持截图中显示的输出格式，这里是一个基本的R解决方案（没有额外的R库）：

df <- read.table(text =
    "Zip Make
     12325 Toyota,Honda,Toyota,Mitsubishi,Mercedes
     85271 Toyota,Honda,Toyota,Honda,Toyota,Toyota,Volvo,Nissan,Nissan,Nissan,Nissan
     56098 Toyota,Honda,Toyota,Mitsubishi,Chevrolet,Acura,Chevrolet,Chevrolet,Honda", 
     header = T, stringsAsFactors = F)

df$Frequency <- sapply(lapply(strsplit(df$Make, ","), function(x)
    paste0(apply(as.data.frame(table(x)), 1, paste, collapse = "("), ")")),
    paste, collapse = ",");

df$top <- sapply(lapply(strsplit(df$Make, ","), function(x)
    names(table(x)[order(-table(x))][1:3])),
    paste, collapse = ",");

df;
#    Zip
#1 12325
#2 85271
#3 56098
#                                                                       Make
#1                                   Toyota,Honda,Toyota,Mitsubishi,Mercedes
#2 Toyota,Honda,Toyota,Honda,Toyota,Toyota,Volvo,Nissan,Nissan,Nissan,Nissan
#3  Toyota,Honda,Toyota,Mitsubishi,Chevrolet,Acura,Chevrolet,Chevrolet,Honda
#                                               Frequency                    top
#1           Honda(1),Mercedes(1),Mitsubishi(1),Toyota(2)  Toyota,Honda,Mercedes
#2                  Honda(2),Nissan(4),Toyota(4),Volvo(1)    Nissan,Toyota,Honda
#3 Acura(1),Chevrolet(3),Honda(2),Mitsubishi(1),Toyota(2) Chevrolet,Honda,Toyota

Answer 3

使用tidyverse的解决方案。 dt_final是最终输出。

library(tidyverse)

# Separate the comma
dt2 <- dt %>% separate_rows(Make)

# Calculate the frequency
dt3 <- dt2 %>% count(Zip, Make) 

# Prepare the Frequency column
dt4 <- dt3 %>%
  mutate(n = paste0("(", n, ")")) %>%
  unite(Frequency, Make, n, sep = " ") %>%
  group_by(Zip) %>%
  summarise(Frequency = paste0(Frequency, collapse = ", "))

# Prepare the Top 3 Make column
dt5 <- dt3 %>%
  group_by(Zip) %>%
  mutate(Rank = dense_rank(n)) %>%
  filter(Rank <= 3) %>%
  arrange(Zip, Rank, Make) %>%
  select(Zip, Make) %>%
  summarise(`Top 3 Make (per frequency)` = paste0(Make, collapse = ", "))

# Join the results
dt_final <- reduce(list(dt, dt4, dt5), left_join, by = "Zip")

dt_final
#     Zip                                                                       Make
# 1 12325                                Toyota, Honda, Toyota, Mitsubishi, Mercedes
# 2 85271 Toyota,Honda,Toyota,Honda,Toyota,Toyota,Volvo,Nissan,Nissan,Nissan, Nissan
# 3 56098  Toyota,Honda,Toyota,Mitsubishi,Chevrolet,Acura,Chevrolet,Chevrolet, Honda
#                                                         Frequency
# 1             Honda (1), Mercedes (1), Mitsubishi (1), Toyota (2)
# 2                    Honda (2), Nissan (4), Toyota (4), Volvo (1)
# 3 Acura (1), Chevrolet (3), Honda (2), Mitsubishi (1), Toyota (2)
#                    Top 3 Make (per frequency)
# 1         Honda, Mercedes, Mitsubishi, Toyota
# 2                Volvo, Honda, Nissan, Toyota
# 3 Acura, Mitsubishi, Honda, Toyota, Chevrolet

数据

dt <- read.table(text = "Zip Make 12325 'Toyota, Honda, Toyota, Mitsubishi, Mercedes' 85271 'Toyota,Honda,Toyota,Honda,Toyota,Toyota,Volvo,Nissan,Nissan,Nissan, Nissan' 56098 'Toyota,Honda,Toyota,Mitsubishi,Chevrolet,Acura,Chevrolet,Chevrolet, Honda'", header = TRUE, stringsAsFactors = FALSE)

Answer 4

首先，考虑@Matt W.关于以更合适的方式组织数据框架的评论，在单元格内部列表通常是设计不良的症状。

尽管如此，我们假设你的数据框是df，然后是：

不需要图书馆。

Answer 5

谢谢大家分享答案。我实际上也可以通过使用sqldf包来解决它。 BB2是包含zip和Concatenated make列的原始数据集。这是代码

D1＆lt; - strsplit（BB2 $ MakeConcat，split =“，”）
  查看（BB2）
  D2＆lt; - data.frame（zip = rep（BB2 $ zip，sapply（D1，length）），MakeConcat = unlist（D1））
  查看（D2）
  D3＆lt; - sqldf（“选择zip，计数（MakeConcat）为count2，MakeBox从D2组按zip，MakeConcat按zip desc排序”）    查看（D3）
  D4＆lt; -mydf [order（D3 $ count2，D3 $ zip，减去= TRUE），]
  D4＆lt; -D3 [order（D3 $ count2，D3 $ zip，减去= TRUE），]
  D4_x＆lt; - D4 [ave（D4 $ count，D4 $ zip，FUN = seq_along）＆lt; = 3，]
  查看（D4_x）
  最终＆lt; - sqldf（“SELECT zip，upper（GROUP_CONCAT（MakeConcat））as MakeConcat FROM D4_x group by zip”）

列中逗号分隔类别的频率计数

5 个答案: