按因子级别数对 R 数据框进行排序答案

【问题标题】：Sorting R data frame by number of factors levels按因子级别数对 R 数据框进行排序
【发布时间】：2016-04-03 13:26:04
【问题描述】：

我有一个包含三列的巨大数据框：

   Surgeon Length  Surg. Date
    John    75   2015-07-06
    Max     120  2015-06-22
    Max     190  2015-01-26
    David   40   2015-11-04
    David   25   2015-04-21
    David   50   2015-12-11
    Andrey  210  2015-03-15
    Vincent 180  2015-01-30
    Vincent 180  2015-06-10

我想根据外科医生做了多少手术对其进行排序。如果两名外科医生做了相同数量的手术，那么手术日期应该决定排名。输出应如下所示：

   Surgeon Length  Surg. Date
    Andrey  210  2015-03-15
    John    75   2015-07-06
    Max     190  2015-01-26
    Max     120  2015-06-22
    Vincent 180  2015-01-30
    Vincent 180  2015-06-10
    David   25   2015-04-21
    David   40   2015-11-04
    David   50   2015-12-11

Andrey 和 John 的名字在表格中出现一次，所以他们排在第一位，但 Andrey 的日期更早，因此他是表格中的第一位。然后是 Max 和 Vincent，他们都做了 2 次手术。然后是大卫和 3。

有没有简单的方法可以做到这一点？

【问题讨论】：

标签： r sorting dataframe data.table

【解决方案1】：

dd <- read.table(header = TRUE, text = "Surgeon Length  'Surg. Date'
John    75   2015-07-06
Max     120  2015-06-22
Max     190  2015-01-26
David   40   2015-11-04
David   25   2015-04-21
David   50   2015-12-11
Andrey  210  2015-03-15
Vincent 180  2015-01-30
Vincent 180  2015-06-10", check.names = FALSE)

我们可以设置Surgeon 的级别，以便 r 为我们处理排序。如果我们将外科医生制成表格并对表格进行排序，您可以看到表格名称是按您想要的顺序排列的，因此我们只需将此顺序设置为levels(Surgeon) 的顺序，而不是默认的（字母顺序）。

然后我们只需添加一个额外的按日期排序。

sort(tbl <- table(dd$Surgeon))
 # Andrey    John     Max Vincent   David 
 #      1       1       2       2       3

对于有领带的人，我们还可以添加一个排序因子与第一个日期

(lvls <- names(tbl)[order(tbl, tapply(as.Date(dd$`Surg. Date`), dd$Surgeon, min))])
# [1] "Andrey"    "John"  "Max"     "Vincent" "David"  

dd$Surgeon <- factor(dd$Surgeon, levels = lvls)

dd[order(dd$Surgeon, dd$`Surg. Date`), ]
#   Surgeon Length Surg. Date
# 7  Andrey    210 2015-03-15
# 1    John     75 2015-07-06
# 3     Max    190 2015-01-26
# 2     Max    120 2015-06-22
# 8 Vincent    180 2015-01-30
# 9 Vincent    180 2015-06-10
# 5   David     25 2015-04-21
# 4   David     40 2015-11-04
# 6   David     50 2015-12-11

使用@akrun 的dplyr 解决方案，您可以更高效地执行类似的方法。

library('dplyr')
dd %>%
  group_by(Surgeon) %>%
  mutate(n=n()) %>%
  ungroup() %>%
  arrange(n, Surgeon, `Surg. Date`) %>%
  select(-n)

#   Surgeon Length Surg. Date
#    (fctr)  (int)     (fctr)
# 1  Andrey    210 2015-03-15
# 2    John     75 2015-07-06
# 3     Max    190 2015-01-26
# 4     Max    120 2015-06-22
# 5 Vincent    180 2015-01-30
# 6 Vincent    180 2015-06-10
# 7   David     25 2015-04-21
# 8   David     40 2015-11-04
# 9   David     50 2015-12-11

或者如果您像上面那样订购了因子水平，您可以这样做

dd %>% arrange(Surgeon, `Surg. Date`)

使用data.table，您仍然可以使用表/因子级别方法并设置键，但我不确定这是否是 data.table 方式（即，唯一的开销是 table，这似乎对于大型向量来说非常快）

library('data.table')
dd$Surgeon <- factor(dd$Surgeon, levels = names(sort(table(dd$Surgeon))))
setDT(dd, key = c('Surgeon', 'Surg. Date'))

#    Surgeon Length Surg. Date
# 1:  Andrey    210 2015-03-15
# 2:    John     75 2015-07-06
# 3:     Max    190 2015-01-26
# 4:     Max    120 2015-06-22
# 5: Vincent    180 2015-01-30
# 6: Vincent    180 2015-06-10
# 7:   David     25 2015-04-21
# 8:   David     40 2015-11-04
# 9:   David     50 2015-12-11

【讨论】：

@DavidArenburg 看到数据表编辑，你会怎么做？
当外科医生进行 1 次手术时它不起作用，然后它按名称而不是日期排序。例如，如果我们交换 Andrey 和 John 的日期，Andrey 仍然是排名第一的。
对于 data.table 方法，您可以将级别设置为DT[, .(.N, min(Surg.Date)), by=Surgeon][order(N, V2), Surgeon]
@Lanza 查看编辑，您可以添加因子排序的另一个条件并保持其他所有内容相同