R Subset-Datentabelle mit höheren Werten einer Spalte (so dass die Teilmenge 80% der Spaltensumme darstellt)

Question

Ich habe eine Datentabelle mit Faktoren und numerischen Werten. Ich möchte diese Datentabelle unterteilen, um nur die höheren Werte auszuwählen. Die Summe dieser höheren Werte muss 80% der Spaltensumme darstellen.

Ist das ein eleganter Weg?

Zum Beispiel ist hier eine ungeordnete Datentabelle, ECART_H Spalt den Wert von Interesse enthalten (sum = 10307.08; 0.8*sum = 8245) das subsetting nur Zeile in der Auswahl 3 führen soll: und 4: (sum= 8428) so, dass diese 2 Reihen sind die minimalen Reihen zu wählen, um> 80% der Summe von ECART_H zu sein.

REGROUP FAMILLE  TREND  RMSE ECART_H 
1:  10  A03 48.43853 675.7492 470.45737 
2:  10  A04 61.65814 599.2031 795.08575 
3:  10  H01 269.07728 12004.1214 6974.29642 
4:  10  N01 -170.30563 6282.8133 1455.44291 
5:  10  S01 147.61121 2711.0511 529.22545 
6:  10  D06 13.64792 167.9315 82.57669 

Answer 1

Eine dplyr Lösung mit cume_dist. Die Mutate wird der Einfachheit halber angezeigt und ich bin mir nicht sicher, ob Sie die Gruppierung benötigen.

df %>% 
    group_by(REGROUP) %>% 
    arrange(ECART_H) %>% 
    mutate(c = cume_dist(ECART_H)) %>% 
    filter(c >= 0.8) 

# REGROUP FAMILLE  TREND  RMSE ECART_H   c 
#  <int> <chr>  <dbl>  <dbl> <dbl>  <dbl> 
# 1  10  N01 -170.3056 6282.813 1455.443 0.8333333 
# 2  10  H01 269.0773 12004.121 6974.296 1.0000000 

Answer 2

I tat dies:

df <- df[order(-df$ECART_H),] 

df$cumsum <- cumsum(df$ECART_H) 

df$cumfreq <- cumsum(df$ECART_H)/sum(df$ECART_H) 

df <- df[ (df$cumsum <= 0.8), ] 

Aber diese beiden Werte (Zeile 3: 4 :) und ist 81,8%, was höher ist als 80% beträgt.

Answer 3

Ok basierend auf epi99 Antwort mit einigen Modifikationen: von größerem Wert zu kleinerem Wert arrangiert, dann eine cumsum ausführen, anstatt eine cumdist, dann filtern.

So habe ich nur die ersten Zeilen, die im Wert 80% der Summe aller Werte darstellen. (Dies ist zum Beispiel auf Pareto‘Methode Art und Weise zu arbeiten und konzentrieren sich auf, was wichtig ist)

test <- dfCONSO_FAM_TREND %>% 
    group_by(REGROUP) %>% 
    filter(ECART_H>0) %>% 
    arrange(-ECART_H) %>% 
    mutate(pc=ECART_H/sum(ECART_H)*100) %>% 
    mutate(pcCUM=cumsum(pc)) 

dfFOCUS_FAM <- dfFOCUS_FAM[(dfFOCUS_FAM$pc>=80 | dfFOCUS_FAM$pcCUM<=80),] 

Der letzte data.table Filter hinzugefügt wurde Reihen von Interesse auszuwählen. Große Reihe (entspricht> = 80% der Summe) und/oder Reihen, die bis 80% der Summe erreichen (Auswahl von Reihen, bis 80% der Summe erreicht werden (zB Filter (pcCUM < = 80)) Auswahl keine Linien, wenn man Zeilen mehr als 80% der Summe repräsentieren)

DPLYR Felsen und data.table zu

wenn man den ersten Teil in data.table Sprache übersetzen könnte ...