在基本 R 中按组返回最频繁的字符串

Question

我有一个数据集，我想为a 的每个唯一条目返回列b 中最频繁的条目，其中两列都是字符向量。如果b 中的两个条目对于a 中的唯一条目同样频繁，我想在单独的列中返回b 的两个条目（下面的所需输出）。

这类似于here 提出的问题，但是该问题的答案都使用 tidyverse。我厌恶 tidyverse，因为 tidyverse 对象会破坏我项目中的其他东西。寻找一个基本的 R 解决方案（并希望避免谈论 tidyverse 的优点）。

我的数据如下所示：

a <- as.character(c(rep(1:3,4)))
b <- c("A","A","A",
       "B","B","B",
       "A","B","A",
       "A","B","B")
df <- data.frame(a,b)

 a b
 1 A
 2 A
 3 A
 1 B
 2 B
 3 B
 1 A
 2 B
 3 A
 1 A
 2 B
 3 B

想要的输出：

 group match_1 match_2
     1       A    <NA>
     2       B    <NA>
     3       A       B

Answer 1

从docendo discimus's answer继续：

library(dplyr)
# library(tidyr)
df %>%
  count(a, b) %>%
  group_by(a) %>%
  filter(n == max(n)) %>%
  mutate(r = row_number()) %>%
  tidyr::spread(r, b) %>%
  select(-n)
# # A tibble: 3 x 3
# # Groups:   a [3]
#   a     `1`   `2`  
#   <fct> <fct> <fct>
# 1 1     A     <NA> 
# 2 2     B     <NA> 
# 3 3     A     B    

然后你只需要重命名列。

基础 R 变体：

reshape(do.call(rbind.data.frame, by(df, df$a, function(x) {
  tb <- table(x$b)
  tb <- tb[ tb == max(tb) ]
  data.frame(a = x$a[1], b = names(tb), r = seq_along(tb))
})), timevar = "r", idvar = "a", direction = "wide")
#     a b.1  b.2
# 1   1   A <NA>
# 2   2   B <NA>
# 3.1 3   A    B

我会分解它，因为不是所有的都可能是直观的：

by 函数返回一个list（经过特殊格式化，但仍然只是一个列表）。如果我们查看a 的单个实例，让我们探索会发生什么。我会跳到a == "3"，因为那是有重复的：

by(df, df$a, function(x) { browser(); 1; })
# Called from: FUN(data[x, , drop = FALSE], ...)
# Browse[1]> 
debug at #1: [1] 1
# Browse[2]> 
Called from: FUN(data[x, , drop = FALSE], ...)
# Browse[1]> 
debug at #1: [1] 1
# Browse[2]> 
Called from: FUN(data[x, , drop = FALSE], ...)
# Browse[1]> 
debug at #1: [1] 1
# Browse[2]> 
x
#    a b
# 3  3 A
# 6  3 B
# 9  3 A
# 12 3 B
# Browse[2]> 
( tb <- table(x$b) )
# A B 
# 2 2 

好的，所以我们现在有了每个b 的计数。意识到这里可能很容易有更多，比如说：

# A B C
# 2 2 1

所以我将把这个命名向量减少为那些具有最高值的向量：

# Browse[2]> 
( tb <- tb[ tb == max(tb) ] ) # no change here, but had there been a third value in 'b' ...
# A B 
# 2 2 

最后，我们希望by 捕获data.frame（我们稍后可以合并）。我们保证a 是一个可能重复的值，所以a[1];我们确保names(tb) 具有所有“有趣”的值，并且r 是reshape 的助手，稍后：

# Browse[2]> 
data.frame(a = x$a[1], b = names(tb), r = seq_along(tb))
#   a b r
# 1 3 A 1
# 2 3 B 2

既然我们在内部进行了探索，让我们总结一下。

by(df, df$a, function(x) {
   tb <- table(x$b)
   tb <- tb[ tb == max(tb) ]
   data.frame(a = x$a[1], b = names(tb), r = seq_along(tb))
})
# df$a: 1
#   a b r
# 1 1 A 1
# ------------------------------------------------------------ 
# df$a: 2
#   a b r
# 1 2 B 1
# ------------------------------------------------------------ 
# df$a: 3
#   a b r
# 1 3 A 1
# 2 3 B 2

这看起来很别扭，但如果您深入了解（使用dput），您会发现它只是重新分类的list。我们现在可以将它们组合成一个框架：

do.call(rbind.data.frame, by(df, df$a, function(x) {
  tb <- table(x$b)
  tb <- tb[ tb == max(tb) ]
  data.frame(a = x$a[1], b = names(tb), r = seq_along(tb))
}))
#     a b r
# 1   1 A 1
# 2   2 B 1
# 3.1 3 A 1
# 3.2 3 B 2

顺便说一句：对于data.frame 和rbind.data.frame，这些默认情况下都会为您提供factors。如果你不想要它们，那么：

do.call(rbind.data.frame, c(by(df, df$a, function(x) {
  tb <- table(x$b)
  tb <- tb[ tb == max(tb) ]
  data.frame(a = x$a[1], b = names(tb), r = seq_along(tb),
             stringsAsFactors = FALSE)
}), stringsAsFactors=FALSE))
#     a b r
# 1   1 A 1
# 2   2 B 1
# 3.1 3 A 1
# 3.2 3 B 2

然后是重塑。我承认这是其中最脆弱的部分（至少对我而言）。我不是reshape 用户，我倾向于tidyr::spread 或data.table::dcast，但这是base-R 并且现在可以使用。 reshape 的使用本身就是一个教程，所以我不会在这里详细介绍。有许多尝试提供对用户更友好的重塑工具（reshape2、tidyr、data.table 都在脑海中浮现，但不太可能是唯一的）。

Answer 2

另一个base 替代方案。

创建列联表并转换为数据框：as.data.frame(table(df))。

使用ave 按组选择具有最大值的行。

使用ave 创建一个“时间”变量以“区分来自同一组的多个记录”（请参阅​​?reshape）。

reshape相关变量要宽。

d <- as.data.frame(table(df))
d2 <- d[d$Freq == ave(d$Freq, d$a, FUN = max), ]
d2$time <- ave(d2$a, d2$a, FUN = seq_along)
reshape(d2[ , c("a", "b", "time")], idvar = "a", direction = "wide")

#   a b.1  b.2
# 1 1   A <NA>
# 3 3   A    B
# 5 2   B <NA>

如果需要，请按“a”排序。

Answer 3

我们可以在base R这样做

tbl <- table(df)
ifelse(tbl[,1] == tbl[,2], toString(colnames(tbl)), colnames(tbl)[max.col(tbl)])