গোষ্ঠী অনুসারে শীর্ষ মান প্রাপ্তি

Question 1

এখানে একটি নমুনা ডেটা ফ্রেম রয়েছে:

d <- data.frame(
  x   = runif(90),
  grp = gl(3, 30)
)

আমি প্রতিটি মানের জন্য dশীর্ষ 5 টির মান সহ সারিগুলি যুক্ত করার উপসেট চাই ।xgrp

বেস-আর ব্যবহার করে, আমার পদ্ধতির কিছু হবে:

ordered <- d[order(d$x, decreasing = TRUE), ]    
splits <- split(ordered, ordered$grp)
heads <- lapply(splits, head)
do.call(rbind, heads)
##              x grp
## 1.19 0.8879631   1
## 1.4  0.8844818   1
## 1.12 0.8596197   1
## 1.26 0.8481809   1
## 1.18 0.8461516   1
## 1.29 0.8317092   1
## 2.31 0.9751049   2
## 2.34 0.9269764   2
## 2.57 0.8964114   2
## 2.58 0.8896466   2
## 2.45 0.8888834   2
## 2.35 0.8706823   2
## 3.74 0.9884852   3
## 3.73 0.9837653   3
## 3.83 0.9375398   3
## 3.64 0.9229036   3
## 3.69 0.8021373   3
## 3.86 0.7418946   3

ব্যবহার করে dplyr, আমি এটি কাজ করবে বলে আশা করি:

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  head(n = 5)

তবে এটি কেবল সামগ্রিক শীর্ষ 5 টি সারি দেয়।

পুরো রিটার্নের headজন্য অদলবদল ।top_nd

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  top_n(n = 5)

আমি কীভাবে সঠিক উপসেট পাব?

Question 2

থেকে 1.0.0 dplyr , " slice_min()এবং slice_max()সর্বনিম্ন বা একটি পরিবর্তনশীল সর্বোচ্চ মান সঙ্গে সারি নির্বাচন করুন, বিভ্রান্তিকর কাছ থেকে দায়িত্ব নিয়ে top_n()."

d %>% group_by(grp) %>% slice_max(order_by = x, n = 5)
# # A tibble: 15 x 2
# # Groups:   grp [3]
#     x grp  
# <dbl> <fct>
#  1 0.994 1    
#  2 0.957 1    
#  3 0.955 1    
#  4 0.940 1    
#  5 0.900 1    
#  6 0.963 2    
#  7 0.902 2    
#  8 0.895 2    
#  9 0.858 2    
# 10 0.799 2    
# 11 0.985 3    
# 12 0.893 3    
# 13 0.886 3    
# 14 0.815 3    
# 15 0.812 3

প্রাক dplyr 1.0.0ব্যবহার top_n:

থেকে ?top_n, wtতর্ক সম্পর্কে :

অর্ডার দেওয়ার জন্য ব্যবহারযোগ্য ভেরিয়েবল [...] টিবিএল- এর শেষ ভেরিয়েবলের ডিফল্ট হয় "।

আপনার ডেটা সেটে সর্বশেষ ভেরিয়েবলটি "grp", যা আপনি র্যাঙ্ক করতে চান এমন ভেরিয়েবল নয় এবং এই কারণেই আপনার top_nপ্রয়াস "পুরো ডিটি প্রদান করে"। সুতরাং, আপনি যদি আপনার ডেটা সেটে "x" দ্বারা র‌্যাঙ্ক করতে চান তবে আপনাকে নির্দিষ্ট করতে হবে wt = x।

d %>%
  group_by(grp) %>%
  top_n(n = 5, wt = x)

ডেটা:

set.seed(123)
d <- data.frame(
  x = runif(90),
  grp = gl(3, 30))

Question 3

data.tableখুব সহজ সঙ্গে খুব ...

library(data.table)
setorder(setDT(d), -x)[, head(.SD, 5), keyby = grp]

বা

setorder(setDT(d), grp, -x)[, head(.SD, 5), by = grp]

বা (বড় ডেটা সেট করার জন্য দ্রুত হওয়া উচিত কারণ .SDপ্রতিটি গ্রুপের জন্য কল এড়ানো )

setorder(setDT(d), grp, -x)[, indx := seq_len(.N), by = grp][indx <= 5]

সম্পাদনা: এখানে কীভাবে dplyrতুলনা করা যায় data.table(যদি কারও আগ্রহ থাকে)

set.seed(123)
d <- data.frame(
  x   = runif(1e6),
  grp = sample(1e4, 1e6, TRUE))

library(dplyr)
library(microbenchmark)
library(data.table)
dd <- copy(d)

microbenchmark(
  top_n = {d %>%
             group_by(grp) %>%
             top_n(n = 5, wt = x)},
  dohead = {d %>%
              arrange_(~ desc(x)) %>%
              group_by_(~ grp) %>%
              do(head(., n = 5))},
  slice = {d %>%
             arrange_(~ desc(x)) %>%
             group_by_(~ grp) %>%
             slice(1:5)},
  filter = {d %>% 
              arrange(desc(x)) %>%
              group_by(grp) %>%
              filter(row_number() <= 5L)},
  data.table1 = setorder(setDT(dd), -x)[, head(.SD, 5L), keyby = grp],
  data.table2 = setorder(setDT(dd), grp, -x)[, head(.SD, 5L), grp],
  data.table3 = setorder(setDT(dd), grp, -x)[, indx := seq_len(.N), grp][indx <= 5L],
  times = 10,
  unit = "relative"
)


#        expr        min         lq      mean     median        uq       max neval
#       top_n  24.246401  24.492972 16.300391  24.441351 11.749050  7.644748    10
#      dohead 122.891381 120.329722 77.763843 115.621635 54.996588 34.114738    10
#       slice  27.365711  26.839443 17.714303  26.433924 12.628934  7.899619    10
#      filter  27.755171  27.225461 17.936295  26.363739 12.935709  7.969806    10
# data.table1  13.753046  16.631143 10.775278  16.330942  8.359951  5.077140    10
# data.table2  12.047111  11.944557  7.862302  11.653385  5.509432  3.642733    10
# data.table3   1.000000   1.000000  1.000000   1.000000  1.000000  1.000000    10

একটি সামান্য দ্রুত data.tableসমাধান যোগ করা :

set.seed(123L)
d <- data.frame(
    x   = runif(1e8),
    grp = sample(1e4, 1e8, TRUE))
setDT(d)
setorder(d, grp, -x)
dd <- copy(d)

library(microbenchmark)
microbenchmark(
    data.table3 = d[, indx := seq_len(.N), grp][indx <= 5L],
    data.table4 = dd[dd[, .I[seq_len(.N) <= 5L], grp]$V1],
    times = 10L
)

সময় আউটপুট:

Unit: milliseconds
        expr      min       lq     mean   median        uq      max neval
 data.table3 826.2148 865.6334 950.1380 902.1689 1006.1237 1260.129    10
 data.table4 729.3229 783.7000 859.2084 823.1635  966.8239 1014.397    10

Question 4

আপনাকে headএকটি কলটিতে মোড়ানো দরকার do। নিম্নলিখিত কোড ইন, .বর্তমান গ্রুপ (বিবরণ দেখুন প্রতিনিধিত্ব করে ...মধ্যে doসহায়তা পৃষ্ঠা)।

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  do(head(., n = 5))

আকরুন দ্বারা উল্লিখিত হিসাবে, sliceএকটি বিকল্প।

d %>%
  arrange_(~ desc(x)) %>%
  group_by_(~ grp) %>%
  slice(1:5)

যদিও আমি এটি জিজ্ঞাসা করি নি, সম্পূর্ণতার জন্য, একটি সম্ভাব্য data.tableসংস্করণ হ'ল (ফিক্সের জন্য @ অরণকে ধন্যবাদ):

setDT(d)[order(-x), head(.SD, 5), by = grp]

Question 5

বেস বেসে আমার পদ্ধতির হবে:

ordered <- d[order(d$x, decreasing = TRUE), ]
ordered[ave(d$x, d$grp, FUN = seq_along) <= 5L,]

এবং dplyr ব্যবহার করে, এর সাথে যোগাযোগটি sliceসম্ভবত দ্রুততম, তবে আপনি এটি ব্যবহার করতে পারেন filterযা সম্ভবত ব্যবহারের চেয়ে দ্রুত হবে do(head(., 5)):

d %>% 
  arrange(desc(x)) %>%
  group_by(grp) %>%
  filter(row_number() <= 5L)

dplyr বেঞ্চমার্ক

set.seed(123)
d <- data.frame(
  x   = runif(1e6),
  grp = sample(1e4, 1e6, TRUE))

library(microbenchmark)

microbenchmark(
  top_n = {d %>%
             group_by(grp) %>%
             top_n(n = 5, wt = x)},
  dohead = {d %>%
              arrange_(~ desc(x)) %>%
              group_by_(~ grp) %>%
              do(head(., n = 5))},
  slice = {d %>%
             arrange_(~ desc(x)) %>%
             group_by_(~ grp) %>%
             slice(1:5)},
  filter = {d %>% 
              arrange(desc(x)) %>%
              group_by(grp) %>%
              filter(row_number() <= 5L)},
  times = 10,
  unit = "relative"
)

Unit: relative
   expr       min        lq    median        uq       max neval
  top_n  1.042735  1.075366  1.082113  1.085072  1.000846    10
 dohead 18.663825 19.342854 19.511495 19.840377 17.433518    10
  slice  1.000000  1.000000  1.000000  1.000000  1.000000    10
 filter  1.048556  1.044113  1.042184  1.180474  1.053378    10

Question 6

top_n (ঢ = 1) এখনো প্রতি দলের জন্য একাধিক সারি ফিরে আসবে যদি ক্রম পরিবর্তনশীল প্রতিটি দলের মধ্যে অনন্য নয়। প্রতিটি গ্রুপের জন্য সঠিকভাবে একটি ঘটনা নির্বাচন করতে, প্রতিটি সারিতে একটি অনন্য ভেরিয়েবল যুক্ত করুন:

set.seed(123)
d <- data.frame(
  x   = runif(90),
  grp = gl(3, 30))

d %>%
  mutate(rn = row_number()) %>% 
  group_by(grp) %>%
  top_n(n = 1, wt = rn)

Question 7

data.tableএর সংক্ষিপ্ত বাক্য গঠনটি হাইলাইট করার জন্য আরও একটি সমাধান:

setDT(d)
d[order(-x), .SD[1:5], grp]