基于计数的数据框中所有因子变量的折叠因子级别答案

【问题标题】：Collapsing factor level for all the factor variable in dataframe based on the count基于计数的数据框中所有因子变量的折叠因子级别
【发布时间】：2016-12-11 20:04:46
【问题描述】：

我想只保留基于频率的前 2 个因素水平，并将所有其他因素分组到“其他”中。我试过了，但没有帮助。

df=data.frame(a=as.factor(c(rep('D',3),rep('B',5),rep('C',2))), 
              b=as.factor(c(rep('A',5),rep('B',5))), 
              c=as.factor(c(rep('A',3),rep('B',5),rep('C',2)))) 

myfun=function(x){
    if(is.factor(x)){
        levels(x)[!levels(x) %in% names(sort(table(x),decreasing = T)[1:2])]='Others'  
    }
}

df=as.data.frame(lapply(df, myfun))

预期输出

       a b      c
       D A      A
       D A      A
       D A      A
       B A      B
       B A      B
       B B      B
       B B      B
       B B      B
  others B others
  others B others

【问题讨论】：

您想计算整个数据框或列的因子的频率吗？请分享您的预期输出。
这仅适用于单个变量，我仅根据频率保留前 2 个因素，并将所有其他级别分组为其他。
给定上面的数据框，你能添加预期的输出吗？
@sotos 这会起作用，感谢hint.fun1
@是的，我明白了，但是我们必须首先按降序重新排列级别，然后执行您所做的操作。你可以把它当作一个答案。

标签： r lapply

【解决方案1】：

这可能会有点混乱，但这是通过 base R 实现的一种方法，

fun1 <- function(x){levels(x) <- 
                    c(names(sort(table(x), decreasing = TRUE)[1:2]), 
                    rep('others', length(levels(x))-2)); 
                    return(x)}

但是，上述函数需要首先重新排序，并且正如 OP 在评论中所述，正确的将是，

fun1 <- function(x){ x=factor(x, 
                     levels = names(sort(table(x), decreasing = TRUE))); 
                     levels(x) <- c(names(sort(table(x), decreasing = TRUE)[1:2]), 
                     rep('others', length(levels(x))-2)); 
                     return(x) }

【讨论】：

【解决方案2】：

感谢forcats 包中的fct_lump()，现在这很容易。

fct_lump(df$a, n = 2)

# [1] D     D     D     B     B     B     B     B     Other Other
# Levels: B D Other

参数n 控制要保留的最常见级别的数量，并将其他级别集中在一起。

【讨论】：