基于变量中前 N 个最频繁值的子集数据框

Question

我的目标是创建一个长数据框的简单密度或条形图，显示课程 (MOOC) 中国籍的相对频率。我只是不希望所有国籍都在里面，只需要前 10 名。我在下面创建了这个示例 df + 我用于绘图的 ggplot2 代码。

d=data.frame(course=sample(LETTERS[1:5], 500,replace=T),nationality=as.factor(sample(1:172,500,replace=T)))
mm <- ggplot(d, aes(x=nationality, colour=factor(course)))
mm + geom_bar() + theme_classic()

...但如前所述：我想要基于频率的整个数据集的子集。以上显示了所有数据。

PS。我为上下文添加了 ggplot2 代码，但也因为 ggplot2 本身可能有一些东西可以使这成为可能（但我对此表示怀疑）。

编辑 2014-12-11： 当前的答案使用 ddplyr 或 table 方法来达到所需的子集，但我想知道是否没有更直接的方法来实现相同的目标。我暂时保留它，看看是否有其他方法。

Answer 1

使用dplyr 函数count 和top_n 获得前10 名国籍。因为top_n 考虑了关系，所以本例中包含的国籍数量由于关系而超过了10 个。 arrange计数，使用factor和levels按降序设置国籍。

# top-10 nationalities
d2 <- d %>%
  count(nationality) %>%
  top_n(10) %>%
  arrange(n, nationality) %>%
  mutate(nationality = factor(nationality, levels = unique(nationality)))

d %>%
  filter(nationality %in% d2$nationality) %>%
  mutate(nationality = factor(nationality, levels = levels(d2$nationality))) %>%
  ggplot(aes(x = nationality, fill = course)) +
    geom_bar()

Answer 2

这是一种选择前 10 个国家的方法。请注意，多个国籍共享相同的频率。因此，选择前 10 名会导致省略一些频率相同的国籍。

# calculate frequencies
tab <- table(d$nationality)
# sort
tab_s <- sort(tab)
# extract 10 most frequent nationalities
top10 <- tail(names(tab_s), 10)
# subset of data frame
d_s <- subset(d, nationality %in% top10)
# order factor levels
d_s$nationality <- factor(d_s$nationality, levels = rev(top10))

# plot
ggplot(d_s, aes(x = nationality, fill = as.factor(course))) +
  geom_bar() + 
  theme_classic()

请注意，我将colour 更改为fill，因为colour 会影响边框的颜色。