R：根据因子拆分数据，添加排名列并提取答案

【问题标题】：R: split data based on a factor, add a ranking column and extractR：根据因子拆分数据，添加排名列并提取
【发布时间】：2015-06-29 14:49:31
【问题描述】：

我仍然无法知道如何访问拆分数据的不同元素。这是我的问题：我有一个数据集，我想根据一列（状态）进行拆分。我想为每个子集添加一个排名列到我的数据中。这是我正在编写的函数的一部分。我的数据集有 2 列，医院、状态、结果。对于每个州，我想添加一个“排名”列，根据结果对数据进行排名；结果最低的将排名第一，最高的结果将排名最后。

如何使用 split、sapply/lapply 来执行此操作？有没有更好的方法，比如使用“安排”？我的主要问题是，当我使用这两种方法中的任何一种时，我都不知道如何访问拆分或排列数据的每个元素。这是我的数据集的样子：医院状态结果。行线在这里并不重要。

                           Hospital State Outcome 
 1 SOUTHEAST ALABAMA MEDICAL CENTER    AL    14.3
 2    MARSHALL MEDICAL CENTER SOUTH    AL    18.5
 3   ELIZA COFFEE MEMORIAL HOSPITAL    TX    18.1
 7                ST VINCENT'S EAST    TX    17.7
 8   DEKALB REGIONAL MEDICAL CENTER    AL    18.0
 9    SHELBY BAPTIST MEDICAL CENTER    AL    15.9

期望的结果是

                           Hospital State Outcome Rank
 1 SOUTHEAST ALABAMA MEDICAL CENTER    AL    14.3    1
 2 SHELBY BAPTIST MEDICAL CENTER       AL    15.9    2
 3 DEKALB REGIONAL MEDICAL CENTER      AL    18.0    3               
 4 MARSHALL MEDICAL CENTER SOUTH       AL    18.5    4 
 5 ST VINCENT'S EAST                   TX    17.7    1 
 6 ELIZA COFFEE MEMORIAL HOSPITAL      TX    18.1    2

提前致谢。

【问题讨论】：

我不知道您所说的“我不知道如何访问”是什么意思。有许多方法可以对数据框的行和列进行子集化和访问（我假设您正在将其读入数据框）。也许如果你举一个你期望看到的例子。
也许您希望按州等汇总数据？然后你想看看 ddply 包或类似的东西。
对。那只是我数据的一个样本，而且恰好都处于一个状态。我在帖子中对此进行了更改，以便您更好地了解它是什么。
@MikeWise 我的意思是，当我在此示例中基于状态拆分数据集并将其命名为 s 时，s[1] 将显示与第一个“状态”相关的所有行.我不知道如何在每个数据集中提取不同的行甚至一行的不同列。因此，如果 s[1] 有 50 行来自纽约，s[2] 有 32 行来自 WY，我不知道如何访问每个子集中的各个行，假设 s[1] 中的第 i 行。
@AsiehHarati 我认为迈克关于“访问”的问题是基于您所说的含糊不清。 split 是一个 R 函数，我们不知道你是指它还是只是某种子集...如果 s=split(DF,DF$state)，你会指 s[[1]] 而不是 s[1]，例如。

标签： r

【解决方案1】：

dplyr 包为此类问题提供了一个非常优雅的解决方案。我以mtcars 数据为例：

library(dplyr)

mtcars %>%
  group_by(cyl) %>%
  mutate(rank = row_number(mpg))

【讨论】：

【解决方案2】：

由于字符串变量中的所有空格，OP 的示例很难读入 R。

这是一个更简单的例子：

set.seed(1)
DF <- data.frame(id=rep(1:2,sample(5,2))); DF$v <- runif(nrow(DF))*100
#   id        v
# 1  A 57.28534
# 2  A 90.82078
# 3  B 20.16819
# 4  B 89.83897
# 5  B 94.46753
# 6  B 66.07978
# 7  B 62.91140

这是一个不使用任何包的解决方案：

DF$r <- ave(DF$v,DF$id,FUN=rank)
#   id        v r
# 1  A 57.28534 1
# 2  A 90.82078 2
# 3  B 20.16819 1
# 4  B 89.83897 4
# 5  B 94.46753 5
# 6  B 66.07978 3
# 7  B 62.91140 2

最后，按州内排名进行排序：

DF[order(DF$id,DF$r),]
#   id        v r
# 1  A 57.28534 1
# 2  A 90.82078 2
# 3  B 20.16819 1
# 7  B 62.91140 2
# 6  B 66.07978 3
# 4  B 89.83897 4
# 5  B 94.46753 5

如果您要排名的列中存在平局，请阅读rank 的文档并决定您希望如何处理平局。 dplyr 和 data.table 包（在其他答案中提到）也有很好的处理关系的功能，比如“dense rank”的概念。

【讨论】：

@User7598 感谢您的加入。

【解决方案3】：

你可以试试这个

library(data.table)
setDT(dat)[, myrank := rank(Outcome), by = State]
dat[,.SD[order(myrank)], by=State]

#      State                         Hospital Outcome myrank
#1:    AL SOUTHEAST ALABAMA MEDICAL CENTER    14.3      1
#2:    AL    SHELBY BAPTIST MEDICAL CENTER    15.9      2
#3:    AL   DEKALB REGIONAL MEDICAL CENTER    18.0      3
#4:    AL    MARSHALL MEDICAL CENTER SOUTH    18.5      4
#5:    TX                  ST VINCENT EAST    17.7      1
#6:    TX   ELIZA COFFEE MEMORIAL HOSPITAL    18.1      2

或使用ddply

library(plyr)
ddply(dat, .(State), function(x){x$myrank = rank(x$Outcome); x[order(x$myrank),]})

#                          Hospital State Outcome myrank
#1 SOUTHEAST ALABAMA MEDICAL CENTER    AL    14.3      1
#2    SHELBY BAPTIST MEDICAL CENTER    AL    15.9      2
#3   DEKALB REGIONAL MEDICAL CENTER    AL    18.0      3
#4    MARSHALL MEDICAL CENTER SOUTH    AL    18.5      4
#5                  ST VINCENT EAST    TX    17.7      1
#6   ELIZA COFFEE MEMORIAL HOSPITAL    TX    18.1      2

【讨论】：

感谢指正。现在可以了。但是你能告诉我 [,.SD 是什么意思吗？我在帮助中找不到它。另外，:= 运算符是什么？
@AsiehHarati .SD 代表data.table的子集
@AsiehHarati := 被称为set，这里设置一个新列为myrank
@AsiehHarati 使用 [ 访问行和列与 data.table 不同。必须像DT[,2,with=FALSE] 一样访问列。要使用这个包，必须学习一点新语法。帮助页面在这里：github.com/Rdatatable/data.table/wiki/Getting-started
@Veerndra Gadekar，非常感谢您的帮助。 ddply 工作得很好。 :)

【解决方案4】：

你可以使用by：

do.call(
    rbind, 
    by(d, list(State = d$State), function(x) { x$Rank <- order(x$Outcome); x[order(x$Rank), ] }))

d 是您的原始数据。

【讨论】：