对于每一行，返回最大值的列名称

97

我有一个员工花名册，我需要知道他们最常在哪个部门工作。用部门名称对员工ID进行制表很简单，但是从频率表中返回部门名称而不是名册数比较麻烦。下面是一个简单的示例（列名=部门，行名=员工ID）。

DF <- matrix(sample(1:9,9),ncol=3,nrow=3)
DF <- as.data.frame.matrix(DF)
> DF
  V1 V2 V3
1  2  7  9
2  8  3  6
3  1  5  4

现在我怎么得到

> DF2
  RE
1 V3
2 V1
3 V2
r 
— dmvianna
source
您的实际数据有多少？
— 阿伦（Arun）
1
@Arun> dim（test）[1] 26746 18
— dmvianna
6
一个有趣的概括是每行最多n个值的列名
— Hack-R

Answers:

99

一种使用数据的选项（供以后参考，请使用set.seed()可sample重现的示例进行制作）：

DF <- data.frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(9,6,4))

colnames(DF)[apply(DF,1,which.max)]
[1] "V3" "V1" "V2"

比使用更快的解决方案apply可能是max.col：

colnames(DF)[max.col(DF,ties.method="first")]
#[1] "V3" "V1" "V2"

...哪里ties.method可以"random" "first"或"last"

如果碰巧有两个等于最大值的列，这当然会引起问题。我不确定在这种情况下要做什么，因为对于某些行，您将获得多个结果。例如：

DF <- data.frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(7,6,4))
apply(DF,1,function(x) which(x==max(x)))

[[1]]
V2 V3 
 2  3 

[[2]]
V1 
 1 

[[3]]
V2 
 2
— 后期邮件
source
如果我有两个相等的列，我通常只选择第一个。这些都是边境案件，不会破坏我的统计分析。
— dmvianna
1
@dmvianna-使用which.max就可以了。
— thelatemail
我假设订单已保留，因此我可以使用此向量创建一个新列，该列将与员工ID正确对齐。那是对的吗？
— dmvianna
apply在内部将转换data.frame为matrix。不过，您可能看不到这些尺寸的性能差异。
— 阿伦（Arun）2013年
2
@PankajKaundal-假设有不同的值，如何处理colnames(DF)[max.col(replace(DF, cbind(seq_len(nrow(DF)), max.col(DF,ties.method="first")), -Inf), "first")]
— thelatemail '16
15

如果您对 data.table解决方案，这里有一个。这有点棘手，因为您希望获取第一个最大值的ID。如果您想要最后一个最大值，则容易得多。不过，它并不复杂，而且速度很快！

在这里，我生成了您尺寸的数据（26746 * 18）。

数据

set.seed(45)
DF <- data.frame(matrix(sample(10, 26746*18, TRUE), ncol=18))

data.table 回答：

require(data.table)
DT <- data.table(value=unlist(DF, use.names=FALSE), 
            colid = 1:nrow(DF), rowid = rep(names(DF), each=nrow(DF)))
setkey(DT, colid, value)
t1 <- DT[J(unique(colid), DT[J(unique(colid)), value, mult="last"]), rowid, mult="first"]

基准测试：

# data.table solution
system.time({
DT <- data.table(value=unlist(DF, use.names=FALSE), 
            colid = 1:nrow(DF), rowid = rep(names(DF), each=nrow(DF)))
setkey(DT, colid, value)
t1 <- DT[J(unique(colid), DT[J(unique(colid)), value, mult="last"]), rowid, mult="first"]
})
#   user  system elapsed 
#  0.174   0.029   0.227 

# apply solution from @thelatemail
system.time(t2 <- colnames(DF)[apply(DF,1,which.max)])
#   user  system elapsed 
#  2.322   0.036   2.602 

identical(t1, t2)
# [1] TRUE

这些维度的数据大约快11倍，并且data.table扩展性也很好。

编辑：如果任何最大ID都可以，则：

DT <- data.table(value=unlist(DF, use.names=FALSE), 
            colid = 1:nrow(DF), rowid = rep(names(DF), each=nrow(DF)))
setkey(DT, colid, value)
t1 <- DT[J(unique(colid)), rowid, mult="last"]
— 阿伦
source
我实际上不在乎它是第一个还是最后一个最大值。我首先是为了简单起见，但是我相信data.table解决方案将来会派上用场，谢谢！
— dmvianna
11

一种解决方案是将日期从宽到长整形，将所有部门放在一列中，然后在另一列中计数，并按雇主ID（在本例中为行号）分组，然后使用最大值。也有两种方法可以处理这种关系。

library(tidyverse)

# sample data frame with a tie
df <- data_frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(9,6,5))

# If you aren't worried about ties:  
df %>% 
  rownames_to_column('id') %>%  # creates an ID number
  gather(dept, cnt, V1:V3) %>% 
  group_by(id) %>% 
  slice(which.max(cnt)) 

# A tibble: 3 x 3
# Groups:   id [3]
  id    dept    cnt
  <chr> <chr> <dbl>
1 1     V3       9.
2 2     V1       8.
3 3     V2       5.


# If you're worried about keeping ties:
df %>% 
  rownames_to_column('id') %>%
  gather(dept, cnt, V1:V3) %>% 
  group_by(id) %>% 
  filter(cnt == max(cnt)) %>% # top_n(cnt, n = 1) also works
  arrange(id)

# A tibble: 4 x 3
# Groups:   id [3]
  id    dept    cnt
  <chr> <chr> <dbl>
1 1     V3       9.
2 2     V1       8.
3 3     V2       5.
4 3     V3       5.


# If you're worried about ties, but only want a certain department, you could use rank() and choose 'first' or 'last'
df %>% 
  rownames_to_column('id') %>%
  gather(dept, cnt, V1:V3) %>% 
  group_by(id) %>% 
  mutate(dept_rank  = rank(-cnt, ties.method = "first")) %>% # or 'last'
  filter(dept_rank == 1) %>% 
  select(-dept_rank) 

# A tibble: 3 x 3
# Groups:   id [3]
  id    dept    cnt
  <chr> <chr> <dbl>
1 2     V1       8.
2 3     V2       5.
3 1     V3       9.

# if you wanted to keep the original wide data frame
df %>% 
  rownames_to_column('id') %>%
  left_join(
    df %>% 
      rownames_to_column('id') %>%
      gather(max_dept, max_cnt, V1:V3) %>% 
      group_by(id) %>% 
      slice(which.max(max_cnt)), 
    by = 'id'
  )

# A tibble: 3 x 6
  id       V1    V2    V3 max_dept max_cnt
  <chr> <dbl> <dbl> <dbl> <chr>      <dbl>
1 1        2.    7.    9. V3            9.
2 2        8.    3.    6. V1            8.
3 3        1.    5.    5. V2            5.
— 斯巴
source
11

根据以上建议，以下data.table解决方案对我来说非常有效：

library(data.table)

set.seed(45)
DT <- data.table(matrix(sample(10, 10^7, TRUE), ncol=10))

system.time(
  DT[, col_max := colnames(.SD)[max.col(.SD, ties.method = "first")]]
)
#>    user  system elapsed 
#>    0.15    0.06    0.21
DT[]
#>          V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 col_max
#>       1:  7  4  1  2  3  7  6  6  6   1      V1
#>       2:  4  6  9 10  6  2  7  7  1   3      V4
#>       3:  3  4  9  8  9  9  8  8  6   7      V3
#>       4:  4  8  8  9  7  5  9  2  7   1      V4
#>       5:  4  3  9 10  2  7  9  6  6   9      V4
#>      ---                                       
#>  999996:  4  6 10  5  4  7  3  8  2   8      V3
#>  999997:  8  7  6  6  3 10  2  3 10   1      V6
#>  999998:  2  3  2  7  4  7  5  2  7   3      V4
#>  999999:  8 10  3  2  3  4  5  1  1   4      V2
#> 1000000: 10  4  2  6  6  2  8  4  7   4      V1

并且还具有始终可以.SD通过在列中提及列来指定应考虑的列的优点.SDcols：

DT[, MAX2 := colnames(.SD)[max.col(.SD, ties.method="first")], .SDcols = c("V9", "V10")]

如果我们需要最小的列名（如@lwshang所建议），则只需使用-.SD：

DT[, col_min := colnames(.SD)[max.col(-.SD, ties.method = "first")]]
— 瓦伦丁
source
我有一个类似的要求，但想获得每行具有最小值的列名.....我们似乎在R中没有min.col .....您知道什么是等效的解决方案？
— user1412 '17
嗨@ user1412。感谢您提出的有趣问题。除了which.min在看起来像：DT[, MIN := colnames(.SD)[apply(.SD,1,which.min)]]或DT[, MIN2 := colnames(.SD)[which.min(.SD)], by = 1:nrow(DT)]上面的虚拟数据中使用之外，我现在没有任何想法。这不考虑平局，仅返回第一个最小值。也许考虑问一个单独的问题。我也很好奇，您还会得到什么其他答案。
— Valentin
1
获取最小列的技巧是将data.frame的负数发送到max.col中，例如：colnames(.SD)[max.col(-.SD, ties.method="first")]。
— lwshang
6

一个dplyr解决方案：

理念：

  • 将rowid添加为列
  • 重塑为长格式
  • 筛选每个组中的最大值

码： 

DF = data.frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(9,6,4))
DF %>% 
  rownames_to_column() %>%
  gather(column, value, -rowname) %>%
  group_by(rowname) %>% 
  filter(rank(-value) == 1)

结果： 

# A tibble: 3 x 3
# Groups:   rowname [3]
  rowname column value
  <chr>   <chr>  <dbl>
1 2       V1         8
2 3       V2         5
3 1       V3         9

此方法可以轻松扩展以获取顶部n列。示例n=2：

DF %>% 
  rownames_to_column() %>%
  gather(column, value, -rowname) %>%
  group_by(rowname) %>% 
  mutate(rk = rank(-value)) %>%
  filter(rk <= 2) %>% 
  arrange(rowname, rk)

结果： 

# A tibble: 6 x 4
# Groups:   rowname [3]
  rowname column value    rk
  <chr>   <chr>  <dbl> <dbl>
1 1       V3         9     1
2 1       V2         7     2
3 2       V1         8     1
4 2       V3         6     2
5 3       V2         5     1
6 3       V3         4     2
— 格雷格·斯特姆
source
1
您能否评论这种方法和上面sbha的回答之间的区别？他们对我看起来差不多。
— 格里戈尔·托马斯
2

一个简单的for循环也很方便：

> df<-data.frame(V1=c(2,8,1),V2=c(7,3,5),V3=c(9,6,4))
> df
  V1 V2 V3
1  2  7  9
2  8  3  6
3  1  5  4
> df2<-data.frame()
> for (i in 1:nrow(df)){
+   df2[i,1]<-colnames(df[which.max(df[i,])])
+ }
> df2
  V1
1 V3
2 V1
3 V2
— rar
source
1

一种选择dplyr 1.0.0是：

DF %>%
 rowwise() %>%
 mutate(row_max = names(.)[which.max(c_across(everything()))])

     V1    V2    V3 row_max
  <dbl> <dbl> <dbl> <chr>  
1     2     7     9 V3     
2     8     3     6 V1     
3     1     5     4 V2

样本数据：

DF <- structure(list(V1 = c(2, 8, 1), V2 = c(7, 3, 5), V3 = c(9, 6, 
4)), class = "data.frame", row.names = c(NA, -3L))
— tmfmnk
source
0

这是一个与data.table一起使用并且更简单的答案。假设您的data.table名为yourDF：

j1 <- max.col(yourDF[, .(V1, V2, V3, V4)], "first")
yourDF$newCol <- c("V1", "V2", "V3", "V4")[j1]

用列名替换("V1", "V2", "V3", "V4")和(V1, V2, V3, V4)

— 通过示例学习统计数据
source
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.