我有一份员工名册，我需要知道他们最常在哪个部门工作。将员工 ID 与部门名称制成表格很简单，但从频率表中返回部门名称而不是花名册计数的数量则比较棘手。下面是一个简单的示例（列名 = 部门，行名 = 员工 ID）。
DF <- matrix(sample(1:9,9),ncol=3,nrow=3)
DF <- as.data.frame.matrix(DF)
> DF
V1 V2 V3
1 2 7 9
2 8 3 6
3 1 5 4
现在我该如何获得
> DF2
RE
1 V3
2 V1
3 V2
【问题讨论】：
标签： r
使用您的数据的一个选项（为了将来参考，使用set.seed() 来制作使用sample 可重现的示例）：
DF <- data.frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(9,6,4))
colnames(DF)[apply(DF,1,which.max)]
[1] "V3" "V1" "V2"
比使用apply 更快的解决方案可能是max.col：
colnames(DF)[max.col(DF,ties.method="first")]
#[1] "V3" "V1" "V2"
...其中ties.method 可以是"random" "first" 或"last" 中的任何一个
如果您碰巧有两列等于最大值，这当然会导致问题。我不确定在这种情况下您想做什么，因为某些行会有多个结果。例如：
DF <- data.frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(7,6,4))
apply(DF,1,function(x) which(x==max(x)))
[[1]]
V2 V3
2 3
[[2]]
V1
1
[[3]]
V2
2
【讨论】：
which.max 就可以了。
apply 在内部将data.frame 转换为matrix。不过，您可能看不到这些维度的性能差异。
colnames(DF)[max.col(replace(DF, cbind(seq_len(nrow(DF)), max.col(DF,ties.method="first")), -Inf), "first")]
如果您对data.table 解决方案感兴趣，这里有一个。这有点棘手，因为您更喜欢获取第一个最大值的 id。如果您想要最后一个最大值，这会容易得多。不过，它并不复杂，而且速度很快！
在这里，我生成了您的尺寸数据 (26746 * 18)。
set.seed(45)
DF <- data.frame(matrix(sample(10, 26746*18, TRUE), ncol=18))
data.table答：require(data.table)
DT <- data.table(value=unlist(DF, use.names=FALSE),
colid = 1:nrow(DF), rowid = rep(names(DF), each=nrow(DF)))
setkey(DT, colid, value)
t1 <- DT[J(unique(colid), DT[J(unique(colid)), value, mult="last"]), rowid, mult="first"]
# data.table solution
system.time({
DT <- data.table(value=unlist(DF, use.names=FALSE),
colid = 1:nrow(DF), rowid = rep(names(DF), each=nrow(DF)))
setkey(DT, colid, value)
t1 <- DT[J(unique(colid), DT[J(unique(colid)), value, mult="last"]), rowid, mult="first"]
})
# user system elapsed
# 0.174 0.029 0.227
# apply solution from @thelatemail
system.time(t2 <- colnames(DF)[apply(DF,1,which.max)])
# user system elapsed
# 2.322 0.036 2.602
identical(t1, t2)
# [1] TRUE
在这些维度的数据上大约快 11 倍，data.table 的扩展性也很好。
DT <- data.table(value=unlist(DF, use.names=FALSE),
colid = 1:nrow(DF), rowid = rep(names(DF), each=nrow(DF)))
setkey(DT, colid, value)
t1 <- DT[J(unique(colid)), rowid, mult="last"]
【讨论】：
基于上述建议，以下data.table 解决方案对我来说非常有效：
library(data.table)
set.seed(45)
DT <- data.table(matrix(sample(10, 10^7, TRUE), ncol=10))
system.time(
DT[, col_max := colnames(.SD)[max.col(.SD, ties.method = "first")]]
)
#> user system elapsed
#> 0.15 0.06 0.21
DT[]
#> V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 col_max
#> 1: 7 4 1 2 3 7 6 6 6 1 V1
#> 2: 4 6 9 10 6 2 7 7 1 3 V4
#> 3: 3 4 9 8 9 9 8 8 6 7 V3
#> 4: 4 8 8 9 7 5 9 2 7 1 V4
#> 5: 4 3 9 10 2 7 9 6 6 9 V4
#> ---
#> 999996: 4 6 10 5 4 7 3 8 2 8 V3
#> 999997: 8 7 6 6 3 10 2 3 10 1 V6
#> 999998: 2 3 2 7 4 7 5 2 7 3 V4
#> 999999: 8 10 3 2 3 4 5 1 1 4 V2
#> 1000000: 10 4 2 6 6 2 8 4 7 4 V1
而且还具有一个优势，即始终可以通过在.SDcols 中提及它们来指定.SD 应考虑的列：
DT[, MAX2 := colnames(.SD)[max.col(.SD, ties.method="first")], .SDcols = c("V9", "V10")]
如果我们需要最小值的列名，正如@lwshang所建议的，只需要使用-.SD：
DT[, col_min := colnames(.SD)[max.col(-.SD, ties.method = "first")]]
【讨论】：
which.min 之外，我现在没有任何想法：DT[, MIN := colnames(.SD)[apply(.SD,1,which.min)]] 或DT[, MIN2 := colnames(.SD)[which.min(.SD)], by = 1:nrow(DT)]。这不考虑平局，只返回第一个最小值。也许考虑问一个单独的问题。我也很好奇你会得到什么其他答案。
colnames(.SD)[max.col(-.SD, ties.method="first")]。
一种解决方案可能是将日期从宽更改为长，将所有部门放在一列中并在另一列中计数，按雇主 ID（在本例中为行号）分组，然后过滤到部门) 具有最大值。使用这种方法处理关系也有几种选择。
library(tidyverse)
# sample data frame with a tie
df <- data_frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(9,6,5))
# If you aren't worried about ties:
df %>%
rownames_to_column('id') %>% # creates an ID number
gather(dept, cnt, V1:V3) %>%
group_by(id) %>%
slice(which.max(cnt))
# A tibble: 3 x 3
# Groups: id [3]
id dept cnt
<chr> <chr> <dbl>
1 1 V3 9.
2 2 V1 8.
3 3 V2 5.
# If you're worried about keeping ties:
df %>%
rownames_to_column('id') %>%
gather(dept, cnt, V1:V3) %>%
group_by(id) %>%
filter(cnt == max(cnt)) %>% # top_n(cnt, n = 1) also works
arrange(id)
# A tibble: 4 x 3
# Groups: id [3]
id dept cnt
<chr> <chr> <dbl>
1 1 V3 9.
2 2 V1 8.
3 3 V2 5.
4 3 V3 5.
# If you're worried about ties, but only want a certain department, you could use rank() and choose 'first' or 'last'
df %>%
rownames_to_column('id') %>%
gather(dept, cnt, V1:V3) %>%
group_by(id) %>%
mutate(dept_rank = rank(-cnt, ties.method = "first")) %>% # or 'last'
filter(dept_rank == 1) %>%
select(-dept_rank)
# A tibble: 3 x 3
# Groups: id [3]
id dept cnt
<chr> <chr> <dbl>
1 2 V1 8.
2 3 V2 5.
3 1 V3 9.
# if you wanted to keep the original wide data frame
df %>%
rownames_to_column('id') %>%
left_join(
df %>%
rownames_to_column('id') %>%
gather(max_dept, max_cnt, V1:V3) %>%
group_by(id) %>%
slice(which.max(max_cnt)),
by = 'id'
)
# A tibble: 3 x 6
id V1 V2 V3 max_dept max_cnt
<chr> <dbl> <dbl> <dbl> <chr> <dbl>
1 1 2. 7. 9. V3 9.
2 2 8. 3. 6. V1 8.
3 3 1. 5. 5. V2 5.
【讨论】：
一个简单的for 循环也可以很方便：
> df<-data.frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(9,6,4))
> df
V1 V2 V3
1 2 7 9
2 8 3 6
3 1 5 4
> df2<-data.frame()
> for (i in 1:nrow(df)){
+ df2[i,1]<-colnames(df[which.max(df[i,])])
+ }
> df2
V1
1 V3
2 V1
3 V2
【讨论】：
dplyr 解决方案：想法：
代码：
DF = data.frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(9,6,4))
DF %>%
rownames_to_column() %>%
gather(column, value, -rowname) %>%
group_by(rowname) %>%
filter(rank(-value) == 1)
结果：
# A tibble: 3 x 3
# Groups: rowname [3]
rowname column value
<chr> <chr> <dbl>
1 2 V1 8
2 3 V2 5
3 1 V3 9
此方法可以轻松扩展以获取顶部的n 列。
n=2 的示例：
DF %>%
rownames_to_column() %>%
gather(column, value, -rowname) %>%
group_by(rowname) %>%
mutate(rk = rank(-value)) %>%
filter(rk <= 2) %>%
arrange(rowname, rk)
结果：
# A tibble: 6 x 4
# Groups: rowname [3]
rowname column value rk
<chr> <chr> <dbl> <dbl>
1 1 V3 9 1
2 1 V2 7 2
3 2 V1 8 1
4 2 V3 6 2
5 3 V2 5 1
6 3 V3 4 2
【讨论】：
这是一个适用于 data.table 并且更简单的答案。这假设您的 data.table 名为 yourDF:
j1 <- max.col(yourDF[, .(V1, V2, V3, V4)], "first")
yourDF$newCol <- c("V1", "V2", "V3", "V4")[j1]
将("V1", "V2", "V3", "V4") 和(V1, V2, V3, V4) 替换为您的列名
【讨论】：
dplyr 1.0.0 的一个选项可能是：
DF %>%
rowwise() %>%
mutate(row_max = names(.)[which.max(c_across(everything()))])
V1 V2 V3 row_max
<dbl> <dbl> <dbl> <chr>
1 2 7 9 V3
2 8 3 6 V1
3 1 5 4 V2
在某些情况下，使用pmap() 可能更安全（需要purrr）：
DF %>%
mutate(row_max = pmap(across(everything()), ~ names(c(...)[which.max(c(...))])))
样本数据：
DF <- structure(list(V1 = c(2, 8, 1), V2 = c(7, 3, 5), V3 = c(9, 6,
4)), class = "data.frame", row.names = c(NA, -3L))
【讨论】：
这个很快：
with(DF, {
names(DF)[(V1 > V2 & V1 > V3) * 1 + (V2 > V3 & V2 > V1) * 2 + (V3 > V1 & V3 > V2)*3]
})
【讨论】：
这是一个快速简单的 tidyverse 解决方案，可以轻松应用于 data.frame 中的任何列子集。下面的版本还使用ifelse 在所有列都为 0 的情况下添加缺失值。例如，如果有人想使用它来重新组合 one-hot 编码的列，则缺失值将很有用。它适用于问题中的数据，但这里是一个单热编码数据集的示例，它也适用。
data <- data.frame(
oh_a = c(1,0,0,1,0,0)
,oh_b = c(0,1,1,0,0,0)
,oh_c = c(0,0,0,0,1,0)
,d = c("l","m","n","o","p","q"))
f <- function(x){ifelse(rowSums(x)==0, NA, names(x)[max.col(x, "first")])}
data %>%
mutate(transformed = f(across(starts_with("oh"))))
输出：
oh_a oh_b oh_c d transformed
1 1 0 0 l oh_a
2 0 1 0 m oh_b
3 0 1 0 n oh_b
4 1 0 0 o oh_a
5 0 0 1 p oh_c
6 0 0 0 q <NA>
【讨论】：