如何从大型数据集中计算顶行

Question

我有一个数据集，其中包含以下列：flavor、flavorid 和 unitSoled。

Flavor Flavorid unitsoled
beans  350       6
creamy 460       2
.
.
.

我想找出前十种口味，然后计算每种口味的市场份额。我的逻辑是每种口味的市场份额=特定口味的销售单位除以销售的总单位。

我该如何实现。对于输出，我只想要两个 col Flavorid 和相应的市场份额。我需要先在某个表中保存前十种口味吗？

Answer 1

一种方法是使用dplyr 包：

一个示例数据集：

flavor    <- rep(letters[1:15],each=5)
flavorid  <- rep(1:15,each=5)
unitsold  <- 1:75
df <- data.frame(flavor,flavorid,unitsold)

> df
   flavor flavorid unitsold
1       a        1        1
2       a        1        2
3       a        1        3
4       a        1        4
5       a        1        5
6       b        2        6
7       b        2        7
8       b        2        8
9       b        2        9
...
...

解决方案：

library(dplyr)
df %>%
  select(flavorid,unitsold) %>%             #select the columns you want
  group_by(flavorid) %>%                    #group by flavorid
  summarise(total=sum(unitsold)) %>%        #sum the total units sold per id
  mutate(marketshare=total/sum(total)) %>%  #calculate the market share per id
  arrange( desc(marketshare)) %>%           #order by marketshare descending
  head(10)                                  #pick the 10 first
  #and you can add another select(flavorid,marketshare) if you only want those two

输出：

Source: local data frame [10 x 3]

   flavorid total marketshare
1        15   365  0.12807018
2        14   340  0.11929825
3        13   315  0.11052632
4        12   290  0.10175439
5        11   265  0.09298246
6        10   240  0.08421053
7         9   215  0.07543860
8         8   190  0.06666667
9         7   165  0.05789474
10        6   140  0.04912281