Obtenir le meilleur élément fréquent dans un facteur dans la R

J'ai un ensemble de chaînes dans un R variable, lorsque je vérifie la classe, il dit qu'il est un facteur.
par exemple.

mySet<-c("abc","abc","def","abc","def","efg","abc")

Je veux obtenir la chaîne de caractères qui se produit le nombre maximum de fois dans cette série(c'est à dire"abc" dans ce cas).

Je comprends une approche consiste à utiliser la hist() mais je suis confronté à de type de données, et depuis que je suis nouveau à la R je n'étais pas en mesure de trouver ce un moi-même.

OriginalL'auteur arjun010 | 2014-03-01

  1. 12

    En fonction de la taille de vos données et la fréquence à laquelle vous devez faire un tel exercice, vous pouvez passer un peu de temps à écrire plus efficace de la fonction. Sous-jacent table est tabulate, qui est beaucoup plus rapide, et peut ainsi conduire à une fonction comme suit:

    MaxTable <- function(InVec, mult = FALSE) {
  if (!is.factor(InVec)) InVec <- factor(InVec)
  A <- tabulate(InVec)
  if (isTRUE(mult)) {
    levels(InVec)[A == max(A)]
  } 
  else levels(InVec)[which.max(A)]
}

    Cette fonction est conçue afin d'identifier lorsqu'il y a plusieurs valeurs pour les valeurs maximales. Comparer les suivantes:

    mySet <- c("A", "A", "A", "B", "B", "B", "C", "C")
## Your question indicates that you have factors,
##   but your sample code is a character vector
mySetF <- factor(mySet) ## Just as an example

## @BrodieG's answer
fun1 <- function(InVec) {
  names(which.max(table(InVec)))
}

## @sgibb's answer
fun2 <- function(InVec) {
  m <- which.max(table(as.character(InVec)))
  as.character(InVec)[m]
}

fun1(mySet)
# [1] "A"
fun2(mySet)
# [1] "A"
MaxTable(mySet)
# [1] "A"
MaxTable(mySet, mult = TRUE)
# [1] "A" "B"

library(microbenchmark)    
microbenchmark(fun1(mySet), fun2(mySet), MaxTable(mySet), MaxTable(mySetF))
# Unit: microseconds
#              expr     min       lq   median       uq      max neval
#       fun1(mySet) 291.457 297.1845 302.2080 313.1235 3008.108   100
#       fun2(mySet) 296.388 302.0775 311.3170 321.5260 1367.137   100
#   MaxTable(mySet) 172.463 180.8755 184.8355 189.9700 1947.700   100
#  MaxTable(mySetF)  34.510  38.1545  44.6045  46.6695   95.341   100

    À la petite vecteur de niveau, cette fonction est plus efficace. Cela est encore plus évident avec factor vecteurs. Comment sur avec de plus grands vecteurs?

    set.seed(1)
medSet <- sample(c(LETTERS, letters), 1e5, TRUE)
medSetF <- factor(medSet)

fun1(medSet)
# [1] "E"
fun2(medSet) ### Wrong Answer!!!
# [1] "D"
MaxTable(medSet)
# [1] "E"

microbenchmark(fun1(medSet), MaxTable(medSet), MaxTable(medSetF))
# Unit: microseconds
#               expr       min        lq     median        uq       max neval
#       fun1(medSet) 14222.846 14350.957 14484.4490 14600.490 34810.174   100
#   MaxTable(medSet)  7787.761  7860.248  7917.3455  8019.068  9762.884   100
#  MaxTable(medSetF)   501.733   529.257   570.0735   587.936  1469.994   100

    J'ai abandonné @sgibb de la fonction à partir de la référence (il s'étend en même temps que fun1()) car il renvoie la mauvaise réponse.

    Un dernier indice de référence....

    set.seed(3)
bigSet <- sample(c(LETTERS, letters), 1e7, TRUE)
bigSetF <- factor(bigSet)
microbenchmark(fun1(bigSet), MaxTable(bigSet), MaxTable(bigSetF), times = 10)
# Unit: milliseconds
#               expr        min         lq     median         uq        max neval
#       fun1(bigSet) 1519.37503 1612.10290 1648.36473 1789.02965 1932.41073    10
#   MaxTable(bigSet)  782.01856  791.86408  834.35764  894.60535 1019.28747    10
#  MaxTable(bigSetF)   48.56459   48.76492   49.25444   49.93911   50.20404    10
    +1, remarquable différence de performances.
    Comment elle fait pour gérer les liens?
    C'est ce que l' mult = TRUE paramètre est pour. Est-ce que vous vouliez dire?
    Oui, je suppose que je n'ai pas regardé d'assez près. Je peux sans doute la réponse à ma propre question avec ?tabulate, mais je suppose que je voulait dire que si mult était faux, mais deux niveaux ont été aussi fréquentes, alors je me demandais ce qu'il serait de retour.
    Votre MaxTable est une fonction très utile, cependant, il échoue si elle est donnée à un facteur, mais pas chaque niveau est dans les données. Dans ce cas, levels(InVec)[A == max(A)] a plus de niveaux sur le côté gauche de booléens dans le sous-ensemble. Utilisation InVec <- factor(as.character(InVec)) pour empêcher cette éventualité.

    OriginalL'auteur A5C1D2H2I1M1N2O1R2T1

  2. 4

    Variation sur sqibb:

    names(which.max(table(mySet)))
# [1] "abc"
    Ce n'est pas une variation de @sgibb de réponse. C'est la version correcte de sa réponse.
    Mise en garde: Cela ne peut pas gérer les cas dans lesquels les deux valeurs sont tout aussi souvent.

    OriginalL'auteur BrodieG