在 R 中有效地计算百分位数排名

Question

我正在开发一个 R 包，它要求我报告每个返回值的百分位等级。但是，我拥有的分布是巨大的（约 1000 万个值）。

我目前的做法是生成一个ecdf 函数，将该函数保存到文件中，并在需要时将其读取到包中。这是有问题的，因为我保存的文件最终很大（~120mb）并且需要很长时间才能重新加载：

f = ecdf(rnorm(10000000))
save(f, file='tmp.Rsav')

有没有办法通过近似 R 中的百分等级来提高效率？

谢谢

Answer 1

只需在下采样的发行版上执行 ecdf：

> items <- 100000
> downsample <- 100 # downsample by a factor of 100
> data <- rnorm(items)
> data.down <- sort(data)[(1:(items / downsample)) * downsample] # pick every 100th
> round(ecdf(data.down)(-5:5), 2)
 [1] 0.00 0.00 0.00 0.02 0.16 0.50 0.84 0.98 1.00 1.00 1.00
> round(ecdf(data)(-5:5), 2)
 [1] 0.00 0.00 0.00 0.02 0.16 0.50 0.84 0.98 1.00 1.00 1.00

请注意，您可能需要稍微考虑下采样，因为此处的示例将返回稍微有偏差的答案，但一般策略应该有效。