在R中的数据表中按降序重新标记集群（列）

Question

假设我有一个数据表

 data = data.table(city = c("NYC", "LA", "Hawaii", "Essex"),
                   population = c(10, 9, 1, 2)
                   )

我对它应用 k-means，得到质心和标签，经过操作后得到

data = data.table(city = c("NYC", "LA", "Hawaii", "Essex"),
              population = c(10, 9, 1, 2),
              cluster = c(1, 1, 2, 2),
              centroids = c(9.5, 1.5)
              )

我们在哪里

cluster_centroids <- c(9.5, 1.5) cluster_labels <- c(1, 2)

如何按降序重新标记簇列的标签，以便所需的结果如下所示：

data = data.table(city = c("NYC", "LA", "Hawaii", "Essex"),
              population = c(10, 9, 1, 2),
              cluster = c(2, 2, 1, 1),
              centroids = c(9.5, 1.5)
              )

我想根据质心的值对它们进行排序。 我希望标签与质心一起使用，人口越高，标签就越高。 （对于有k 集群并且cluster 列值中没有顺序的一般情况，请考虑这一点。例如，原始集群列的顺序可能像1 是人口最多的城市，k是第二个人口稠密的城市，等等）

我不想对数据表的行进行排序。我想将 NYC 的标签从 1 更改为 2，将夏威夷的标签从 2 更改为 1。像 (1, 2) 映射到 (2, 1) 以便人口最多的城市被标记为最大标签，并且人口最少的城市标有 1

实际问题中的簇数不是 2。我只是想保持简单。

Answer 1

[更新]以反映对原始帖子的澄清：

dt <- data.table(city = c("NYC", "LA", "Hawaii", "Essex"),
                 population = c(10, 9, 1, 2),
                 cluster = c(1, 1, 2, 2)
) %>% group_by(cluster) %>% #create the centroids variable
  mutate(centroid = mean(population)) %>% ungroup()

# implicitly rank the centroids, assigning increasing integers to decreasing vals
#assign the result as the cluster
dt %>% mutate("cluster" = frankv(centroid, ties.method = "dense"))

# A tibble: 4 x 4
  city   population cluster centroid
  <chr>       <dbl>   <int>    <dbl>
1 NYC            10       2      9.5
2 LA              9       2      9.5
3 Hawaii          1       1      1.5
4 Essex           2       1      1.5

[上一个]

您可以使用以下公式对任何变量进行反向编码：max(x)+min(x) - x

dt <- data.table(city = c("NYC", "LA", "Hawaii", "Essex"),
                 population = c(10, 9, 1, 2),
                 cluster = c(1, 1, 2, 2)
) 

dt %>% mutate_at("cluster", ~max(.)+1-.)

    city population cluster
1    NYC         10       2
2     LA          9       2
3 Hawaii          1       1
4  Essex          2       1

或

另一个解决方案是使用case_when，如果您有超过 2 个类别，并且您不想“反向编码”它们本身：

dt %>% mutate("cluster" = case_when(cluster == 2 ~ 1, cluster == 1 ~ 2))

    city population cluster
1    NYC         10       2
2     LA          9       2
3 Hawaii          1       1
4  Essex          2       1

Answer 2

我想根据质心的值对它们进行排序

另一种方式：

# OP's input
clusterDT = data.table(old_label = 1:2, centroid = c(9.5, 1.5))

# overwrite labels by sorting and assigning row number
clusterDT[order(centroid), new_label := .I]

# update data
data[, cluster := clusterDT[.SD, on=.(old_label = cluster), x.new_label]]

     city population cluster
1:    NYC         10       2
2:     LA          9       2
3: Hawaii          1       1
4:  Essex          2       1