R group by and aggregate - 使用 plyr 返回组内的相对排名答案

【问题标题】：R group by and aggregate - return relative rank within groups using plyrR group by and aggregate - 使用 plyr 返回组内的相对排名
【发布时间】：2015-03-11 11:25:31
【问题描述】：

更新：我有一个如下所示的数据框“测试”：

    session_id  seller_feedback_score
1   1   282470
2   1   275258
3   1   275258
4   1   275258
5   1   37831
6   1   282470
7   1   26
8   1   138351
9   1   321350
10  1   841
11  1   138351
12  1   17263
13  1   282470
14  1   396900
15  1   282470
16  1   282470
17  1   321350
18  1   321350
19  1   321350
20  1   0
21  1   1596
22  7   282505
23  7   275283
24  7   275283
25  7   275283
26  7   37834
27  7   282505
28  7   26
29  7   138359
30  7   321360

和一个代码（使用包 plyr）显然应该在每组 session_id 中对“seller_feedback_score”进行排名：

 test <- test %>% group_by(session_id) %>% 
  mutate(seller_feedback_score_rank = dense_rank(-seller_feedback_score))

然而，真正发生的是 R 将整个数据帧排列在一起，而不涉及组（session_id）：

session_id  seller_feedback_score   seller_feedback_score_rank_2
1   1   282470  5
2   1   275258  7
3   1   275258  7
4   1   275258  7
5   1   37831   11
6   1   282470  5
7   1   26  15
8   1   138351  9
9   1   321350  3
10  1   841 14
11  1   138351  9
12  1   17263   12
13  1   282470  5
14  1   396900  1
15  1   282470  5
16  1   282470  5
17  1   321350  3
18  1   321350  3
19  1   321350  3
20  1   0   16
21  1   1596    13
22  7   282505  4
23  7   275283  6
24  7   275283  6
25  7   275283  6
26  7   37834   10
27  7   282505  4
28  7   26  15
29  7   138359  8
30  7   321360  2

我通过计算唯一的 'seller_feedback_score_rank' 值来检查这一点，毫不奇怪它等于最高排名值。如果有人可以复制和帮助，我将不胜感激。谢谢

【问题讨论】：

相同的分数获得相同的排名
对不起，但由于依赖包lazyeval，我似乎无法安装dplyr。当我尝试安装该依赖项时，它说包“lazyeval”不可用（对于 R 版本 3.0.2）
您可以更新到最新的 R 版本然后安装
我再次打开了这个 - 添加了新的数据来重现。我还诊断出问题出在与 group by (session_id) 无关，而是在整个集合中进行排名
您好像完全删除了原来的问题？

标签： r group-by aggregate plyr dplyr

【解决方案1】：

一个选项：

library(dplyr)
df %>% group_by(session_id) %>% 
  mutate(rank = dense_rank(-seller_feedback_score))

dense_rank“类似于 min_rank，但等级之间没有差距”，所以我否定了 Seller_feedback_score 列，以便将其变成类似于 max_rank（dplyr 中不存在）。

如果您希望排名有差距，以便在您的情况下达到最低的 21，您可以使用 min_rank 而不是 dense_rank：

library(dplyr)
df %>% group_by(session_id) %>% 
    mutate(rank = min_rank(-seller_feedback_score))

【讨论】：

我不确定该解决方案是否适合我 - 我确实看到我的 df 中添加了一个名为“rank”的新列，但是该列的值只是数字 1： 21（对于我上面的示例），已订购，与 Seller_feedback_score 没有明显关系
这很奇怪，但您的解决方案适用于 1 列，但不适用于另一列。
@user3628777，您需要通过提供一些数据来测试它来使其可重现。如果没有更多信息，我无法验证为什么它不能在不同的列上工作。该列是否包含正值和负值？你的意思是它会引发错误还是排名错误？ ...很多可能性
@user3628777，从更新中仍然不清楚你的意思是它不起作用。这对我来说不是那么明显。请详细说明。
用desc()代替-会好一点

【解决方案2】：

从data.table 1.9.5 开始，导出frank()（用于快速排名）函数。该接口类似于base::rank，但除了base::rank提供的所有排名方法之外，它还实现了dense rank，并且除了向量之外，它还适用于列表。您可以按照here 的说明进行安装。

require(data.table) ## 1.9.5+
setDT(df)[, 
    rank := frank(-seller_feedback_score, ties.method="dense"), 
by=session_id]

正如@David 指出的那样，也许您想要的是rank = "first" 或“min”？不确定...

setDT(df)[, 
    rank := frank(-seller_feedback_score, ties.method="first"), ## or "min" or "max"
by=session_id]

无论如何，它必须是快速的。这是针对基本 R 的基准：

require(data.table)
set.seed(45L)
val = sample(1e4, 1e7, TRUE)
system.time(ans1 <- rank(val, ties.method = "min"))
#    user  system elapsed 
#  16.771   0.199  17.035 
system.time(an2 <- frank(val, ties.method = "min"))
#    user  system elapsed 
#   0.532   0.013   0.550 
identical(ans1, ans2) # [1] TRUE

【讨论】：