当R中有多个模式时，给出选择一种模式的条件答案

【问题标题】：Give condition for choosing one mode when there are more than one in R当R中有多个模式时，给出选择一种模式的条件
【发布时间】：2019-03-03 19:43:45
【问题描述】：

我有一个分类变量，我想为其查找模式。特别是，我想找到变量 Ethic group 的模式，即最常见的民族。我将按家庭进行分组，即找到一个家庭中最常见的种族。问题是，如果有多个模式（一个以上的民族占主导地位），那么我想从户主那里得到一个（还有另一个变量表明这个人是否是户主）。

基本上，我们会有 HQ2 表：

H_Code      Rela_HH Ethn
1    AS-01      10  SEN
2    AS-01       1  SEN
3    AS-02       1   FA
4    AS-02       2   MA
5    AS-02       4   MA
6    AS-02       4   FA
7    AS-03       1   NZ
8    AS-03       2   MA

其中H_Code=户口代码，Rela_HH=与户主的关系（1表示户主），Ethn=族群。

您会看到 AS-02 有两种模式：FA 和 MA。在这种情况下，我希望 R 给我 Rela_HH 的 value=1 的人之一。

到目前为止，我只是设法执行正常模式，但找不到为附加位编码的方法。

Mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(, ux)))]
}


HQ2$c <-  with(HQ2, ave(Ethn, H_Code, FUN=Mode))

【问题讨论】：

标签： r mode

【解决方案1】：

我确信有一个很好的data.table 方法可以做到这一点。如果我想出一个，我会编辑我的答案。现在我有一个简单的方法来使用order 和dplyr。注意Mode函数会取第一个Ethn，所以我在hq2中重新排序来演示。

Dplyr

library(dplyr)
hq2 <- data.table(H_Code = c("AS-01", "AS-01", "AS-02", "AS-02", "AS-02", "AS-02", "AS-03", "AS-03"), Rela_HH = c(10,1,1,2,4,4,2,1), Ethn = c("SEN", "SEN", "FA", "MA", "MA", "FA", "NZ", "MA"))

hq2[order(H_Code, Rela_HH), ] %>% 
  group_by(H_Code) %>% 
  summarize(Ethn_Mode = Mode(Ethn))

# A tibble: 3 x 2
  H_Code Ethn_Mode
  <chr>  <chr>    
1 AS-01  SEN      
2 AS-02  MA       
3 AS-03  MA

数据表

如果您有一张大桌子，您可以将您的键设置为H_Code 和Rela_HH 以进行更快的排序。

library(data.table)

hq1 <- as.data.table(hq2)
hq1[order(H_Code, Rela_HH), ][, Mode(Ethn), by = list(H_Code)]

   H_Code  V1
1:  AS-01 SEN
2:  AS-02  MA
3:  AS-03  MA

编辑

这是修改后的dplyr 代码。

hq3 %>% 
  group_by(H_Code, Ethn) %>% 
  mutate(eth_count = sum(n())) %>% 
  mutate(priority = all(1 %in% Rela_HH & !1 %in% eth_count)) %>% 
  arrange(H_Code, desc(priority), desc(eth_count), Rela_HH) %>%
  ungroup() %>% 
  group_by(H_Code) %>% 
  filter(row_number() %in% 1)

这里是修改后的data.table 代码，它没有使用任何mode 函数。它所做的是创建一个priority 列，如果任何种族出现不止一次，则该列设置为TRUE，并且该组中的一个条目在Rela_HH 中设置了1。然后，您设置排序顺序以计算出顺序和任何关系 (H_Code, -priority, -count, Rela_HH)。

具有不同场景的三个数据集，hq3（HH 种族发生 >1，但 hq4（HH 种族发生 1）和 hq5（HH 种族发生 >1，并且 >非HH）。

hq3 <- data.table(H_Code = c("AS-01", "AS-02", "AS-02", "AS-02", "AS-02", "AS-02", "AS-03", "AS-03"), Rela_HH = c(10,4,3,2,1,5,2,1), Ethn = c("SEN", "FA", "FA", "FA", "MA", "MA", "NZ", "MA"))
hq4 <- data.table(H_Code = c("AS-01", "AS-02", "AS-02", "AS-02", "AS-02", "AS-02", "AS-03", "AS-03"), Rela_HH = c(10,4,3,2,1,5,2,1), Ethn = c("SEN", "MA", "FA", "FA", "ZA", "MA", "NZ", "MA"))
hq5 <- data.table(H_Code = c("AS-01", "AS-02", "AS-02", "AS-02", "AS-02", "AS-02", "AS-03", "AS-03"), Rela_HH = c(10,4,3,2,1,5,2,1), Ethn = c("SEN", "MA", "FA", "FA", "MA", "MA", "NZ", "MA"))

hq3[, `:=` (count = .N), by = list(H_Code, Ethn)][, priority := all(1 %in% Rela_HH & !1 %in% count), by = list(H_Code, Ethn)][order(H_Code, Rela_HH, -count), ] # leave off the last [] section, it's here to show this output in order

   H_Code Rela_HH Ethn count priority
1:  AS-01      10  SEN     1    FALSE
2:  AS-02       1   MA     2     TRUE
3:  AS-02       2   FA     3    FALSE
4:  AS-02       3   FA     3    FALSE
5:  AS-02       4   FA     3    FALSE
6:  AS-02       5   MA     2     TRUE
7:  AS-03       1   MA     1    FALSE
8:  AS-03       2   NZ     1    FALSE

hq3[order(H_Code, -priority, -count, Rela_HH), ][hq3[, .I[1], by = list(H_Code)]$V1]

   H_Code Rela_HH Ethn count priority
1:  AS-01      10  SEN     1    FALSE
2:  AS-02       1   MA     2     TRUE
3:  AS-03       1   MA     1    FALSE

基准测试

哪个更快？ Data.table，大约是 2 倍，并且在大表上设置了键，可能更多。

> microbenchmark(DTmeth(hq1), dplyrmeth(hq2), neval = 1000)
Unit: nanoseconds
           expr     min      lq       mean    median      uq     max neval cld
    DTmeth(hq1)  624865  641316  665616.17  654145.5  677087  847038   100  b 
 dplyrmeth(hq2) 1144980 1161583 1202274.35 1180147.5 1223617 1651814   100   c
          neval       0       0       3.56       1.0       1     303   100 a

修改后的代码测试（我很好奇data.table 是否有更好的方法来做到这一点，因为它现在与dplyr 差不多）：

Unit: nanoseconds
            expr     min        lq       mean    median        uq      max neval cld
     DTmeth(hq5)  653542  683727.5  773249.70  706670.5  747120.5  1791880   100  b 
    DT2meth(hq5) 1670831 1816633.0 1947881.22 1874742.5 2040164.5  2892786   100   c
  dplyrmeth(hq3) 1169733 1232672.5 1587836.22 1281876.5 1367757.5 24089844   100   c
 dplyr2meth(hq3) 1414848 1506917.5 1903192.98 1541481.5 1631438.0 26743551   100   c
           neval       0       1.0      18.88       1.0       1.0      303   100 a

【讨论】：

我一直在使用 data.table 选项，因为我不完全理解另一个选项。问题是它仍然按 hq1 中的字母顺序对其进行排序。因此，我获得了一个包含两列（家庭代码和模式族群）的表。当有多个模式时，我会按字母顺序对它们进行排序。如果我可以在 hq1 中添加一个列 rela_HH，那么我就会知道如何继续（rela_HH=1 的子集）。
如果我这样做：hq1
调整数据集，看起来如果模式相等（2 vs 2），平局被Rela_HH打破。如果非头部种族的模式更大，它会与更大的模式相匹配，所以你是对的，它需要调整。
我想我想出了一个解决方案。测试一下，让我知道它是否有效。
不客气，如果答案有用，也可以投票。