R DPLYR 的阈值

Question

我有一张这样的桌子：

Task_ID |  Home_Id  |  Pet_Id  |  
----------------------------------
 10000    | 1203010   | 123      | 
 1010     | 3402034   | 120      | 
 43240    | 1239502   | 101      | 
 43240    | 1230102   | 101      | 
 43240    | 1234020   | 98       | 
 10000    | 1203010   | 123      |
 10000    | 1203010   | 123      |

对于每个任务，我想获取至少出现在 50% 家庭中的宠物列表 例如，如果有 10 行任务 id 为 1000，并且 pet_id 出现在任务 10000 中 home_id 的 5/10 中，我想标记它。

对于我的最终结果，我想获取出现在 50% 家庭中的每个 Task_Id 的 Pet_Id。

预期输出：

Task_ID |  Pet_Id  |  
--------------------
 10000  |123       | 
 1010   |120       |
 432420 |101       |

如何在 R 中做到这一点？

我想我可以按 InspectionTaskName 分组并做一些总结吗？不知道如何开始。

Answer 1

这里是base R 使用table 和stack 的选项。逻辑是通过'Task_ID'到split除'Task_ID'之外的数据列，用lapply循环list（split输出），得到数据集的table（假设只有两列 - 'Home_Id', 'Pet_Id')，找出逻辑矩阵与colMeans的比例，将比例大于0.5的names和stack提取到两列data.frame

stack(lapply(split(df1[-1], df1$Task_ID),
     function(x) names(which(colMeans(table(x) > 0) > 0.5))))[2:1]
#    ind values
#1  1010    120
#2 10000    123
#3 43240    101

---

或者使用tidyverse，按'Task_ID'、'Pet_Id'分组后，按比例得到'Home_Id'和filter的不同元素个数

library(dplyr)
df1 %>%
   group_by(Task_ID, Pet_Id)  %>% 
   dplyr::summarise(n = n_distinct(Home_Id)) %>%
   filter( n/sum(n) > 0.5) %>%
   select(-n)
# A tibble: 3 x 2
# Groups:   Task_ID [3]
#  Task_ID Pet_Id
#    <int>  <int>
#1    1010    120
#2   10000    123
#3   43240    101

数据

df1 <- structure(list(Task_ID = c(10000L, 1010L, 43240L, 43240L, 43240L, 
10000L, 10000L), Home_Id = c(1203010L, 3402034L, 1239502L, 1230102L, 
1234020L, 1203010L, 1203010L), Pet_Id = c(123L, 120L, 101L, 101L, 
98L, 123L, 123L)), class = "data.frame", row.names = c(NA, -7L
))