Finde die häufigste Kombination von Werten in einem data.frame

Question

Ich möchte die häufigste Kombination von Werten in einem dat.frame finden.

Hier einige Beispieldaten:

dat <- data.frame(age=c(50,55,60,50,55),sex=c(1,1,1,0,1),bmi=c(20,25,30,20,25)) 

In diesem Beispiel ist das Ergebnis, das ich stehe auf die Kombination von Alter = 55, Geschlecht = 1 und bmi = 25, denn das ist die häufigste Kombination aus Spalten Werte.

Meine realen Daten haben etwa 30000 Zeilen und 20 Spalten. Was wäre ein effizienter Weg, um die häufigste Kombination dieser 20 Werte unter den 30000 Beobachtungen zu finden?

Vielen Dank!

Answer 1

Hier ist ein Ansatz mit data.table:

dt <- data.table(dat) 
setkeyv(dt, names(dt)) 
dt[, .N, by = key(dt)] 
dt[, .N, by = key(dt)][N == max(N)] 
# age sex bmi N 
# 1: 55 1 25 2 

Und ein Ansatz mit Basis R:

x <- data.frame(table(dat)) 
x[x$Freq == max(x$Freq), ] 
# age sex bmi Freq 
# 11 55 1 25 2 

Ich weiß nicht, wie gut einem dieser Skala allerdings, insbesondere wenn die Anzahl der Kombinationen wird groß sein. Also, test zurück und berichte!

---

ersetzen x$Freq == max(x$Freq) mit which.max(x$Freq) und N == max(N) mit which.max(N), wenn Sie in einer Zeile der Ergebnisse wirklich nur interessiert sind.

Answer 2

So etwas?

> dat[duplicated(dat), ] 
    age sex bmi 
5 55 1 25 

mit while (vielleicht zeitaufwendig)

Hier ist eine andere data.frame mit mehr als 1 Fall dupliziert

> dat <- data.frame(age=c(50,55,60,50,55, 55, 60), 
        sex=c(1,1,1,0,1, 1,1), 
        bmi=c(20,25,30,20,25, 25,30)) 
> dat[duplicated(dat), ] # see data.frame 
     age sex bmi 
    5 55 1 25 
    6 55 1 25 
    7 60 1 30 


# finding the most repeated item 
> while(any(duplicated(dat))){ 
    dat <- dat[duplicated(dat), ] 
    #print(dat) 
} 

> print(dat) 
    age sex bmi 
6 55 1 25 

Answer 3

Die schnelle und schmutzige Lösung. Ich bin sicher, dass es einen schickeren Weg dazu gibt, mit dem plyr Paket oder ähnlichem.

> (tab <- table(apply(dat, 1, paste, collapse=", "))) 
50, 0, 20 50, 1, 20 55, 1, 25 60, 1, 30 
     1   1   2   1 

> names(which.max(tab)) 
[1] "55, 1, 25"