r - 如何找到统计模式？

Question

在 R 中，mean()并且median()是执行您所期望的标准功能。 mode()告诉你对象的内部存储模式，而不是在其参数中出现最多的值。但是是否有一个标准库函数可以实现向量（或列表）的统计模式？

Answer 1

另一种解决方案，适用于数字和字符/因子数据：

Mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

在我的极小机器上，它可以在大约半秒内生成并找到一个 10M 整数向量的模式。

如果您的数据集可能有多种模式，则上述解决方案采用与 相同的方法which.max，并返回模式集的第一个出现值。要返回所有模式，请使用此变体（来自评论中的 @digEmAll）：

Modes <- function(x) {
  ux <- unique(x)
  tab <- tabulate(match(x, ux))
  ux[tab == max(tab)]
}

Answer 2

有一个包modeest提供单变量单峰（有时是多峰）数据模式的估计器和通常概率分布的模式值。

mySamples <- c(19, 4, 5, 7, 29, 19, 29, 13, 25, 19)

library(modeest)
mlv(mySamples, method = "mfv")

Mode (most likely value): 19 
Bickel's modal skewness: -0.1 
Call: mlv.default(x = mySamples, method = "mfv")

有关更多信息，请参阅此页面

Answer 3

在 r 邮件列表中找到了这个，希望对您有所帮助。反正我也是这么想的。您需要 table() 数据，排序然后选择名字。这是hackish，但应该工作。

names(sort(-table(x)))[1]

Answer 4

我发现上面的 Ken Williams 帖子很棒，我添加了几行来说明 NA 值，并使其成为一个易于使用的函数。

Mode <- function(x, na.rm = FALSE) {
  if(na.rm){
    x = x[!is.na(x)]
  }

  ux <- unique(x)
  return(ux[which.max(tabulate(match(x, ux)))])
}

Answer 5

估计您认为来自连续单变量分布（例如正态分布）的数字向量的模式的一种快速而肮脏的方法是定义和使用以下函数：

estimate_mode <- function(x) {
  d <- density(x)
  d$x[which.max(d$y)]
}

然后得到模式估计：

x <- c(5.8, 5.6, 6.2, 4.1, 4.9, 2.4, 3.9, 1.8, 5.7, 3.2)
estimate_mode(x)
## 5.439788

Answer 6

以下函数有三种形式：

method = "mode" [默认]：计算单峰向量的模式，否则返回 NA
method = "nmodes"：计算向量中的模式数
method = "modes"：列出单峰或多峰的所有模式向量

modeav <- function (x, method = "mode", na.rm = FALSE)
{
  x <- unlist(x)
  if (na.rm)
    x <- x[!is.na(x)]
  u <- unique(x)
  n <- length(u)
  #get frequencies of each of the unique values in the vector
  frequencies <- rep(0, n)
  for (i in seq_len(n)) {
    if (is.na(u[i])) {
      frequencies[i] <- sum(is.na(x))
    }
    else {
      frequencies[i] <- sum(x == u[i], na.rm = TRUE)
    }
  }
  #mode if a unimodal vector, else NA
  if (method == "mode" | is.na(method) | method == "")
  {return(ifelse(length(frequencies[frequencies==max(frequencies)])>1,NA,u[which.max(frequencies)]))}
  #number of modes
  if(method == "nmode" | method == "nmodes")
  {return(length(frequencies[frequencies==max(frequencies)]))}
  #list of all modes
  if (method == "modes" | method == "modevalues")
  {return(u[which(frequencies==max(frequencies), arr.ind = FALSE, useNames = FALSE)])}  
  #error trap the method
  warning("Warning: method not recognised.  Valid methods are 'mode' [default], 'nmodes' and 'modes'")
  return()
}

Answer 7

在这里，另一个解决方案：

freq <- tapply(mySamples,mySamples,length)
#or freq <- table(mySamples)
as.numeric(names(freq)[which.max(freq)])

Answer 8

我还不能投票，但 Rasmus Bååth 的答案正是我想要的。但是，我会对其进行一些修改，以允许限制分布，例如仅在 0 和 1 之间的值。

estimate_mode <- function(x,from=min(x), to=max(x)) {
  d <- density(x, from=from, to=to)
  d$x[which.max(d$y)]
}

我们知道您可能不想限制所有分布，然后设置 from=-"BIG NUMBER", to="BIG NUMBER"

Answer 9

对 Ken Williams 的回答进行了小修改，添加了可选参数na.rm和return_multiple.

与依赖的答案不同，此答案在返回值中names()维护 的数据类型。x

stat_mode <- function(x, return_multiple = TRUE, na.rm = FALSE) {
  if(na.rm){
    x <- na.omit(x)
  }
  ux <- unique(x)
  freq <- tabulate(match(x, ux))
  mode_loc <- if(return_multiple) which(freq==max(freq)) else which.max(freq)
  return(ux[mode_loc])
}

为了显示它与可选参数一起工作并维护数据类型：

foo <- c(2L, 2L, 3L, 4L, 4L, 5L, NA, NA)
bar <- c('mouse','mouse','dog','cat','cat','bird',NA,NA)

str(stat_mode(foo)) # int [1:3] 2 4 NA
str(stat_mode(bar)) # chr [1:3] "mouse" "cat" NA
str(stat_mode(bar, na.rm=T)) # chr [1:2] "mouse" "cat"
str(stat_mode(bar, return_mult=F, na.rm=T)) # chr "mouse"

感谢@Frank 的简化。

Answer 10

为了生成模式，我编写了以下代码。

MODE <- function(dataframe){
    DF <- as.data.frame(dataframe)

    MODE2 <- function(x){      
        if (is.numeric(x) == FALSE){
            df <- as.data.frame(table(x))  
            df <- df[order(df$Freq), ]         
            m <- max(df$Freq)        
            MODE1 <- as.vector(as.character(subset(df, Freq == m)[, 1]))

            if (sum(df$Freq)/length(df$Freq)==1){
                warning("No Mode: Frequency of all values is 1", call. = FALSE)
            }else{
                return(MODE1)
            }

        }else{ 
            df <- as.data.frame(table(x))  
            df <- df[order(df$Freq), ]         
            m <- max(df$Freq)        
            MODE1 <- as.vector(as.numeric(as.character(subset(df, Freq == m)[, 1])))

            if (sum(df$Freq)/length(df$Freq)==1){
                warning("No Mode: Frequency of all values is 1", call. = FALSE)
            }else{
                return(MODE1)
            }
        }
    }

    return(as.vector(lapply(DF, MODE2)))
}

让我们尝试一下：

MODE(mtcars)
MODE(CO2)
MODE(ToothGrowth)
MODE(InsectSprays)

Answer 11

基于@Chris 的函数来计算模式或相关指标，但是使用 Ken Williams 的方法来计算频率。这为根本没有模式（所有元素同样频繁）和一些更易读的method名称的情况提供了修复。

Mode <- function(x, method = "one", na.rm = FALSE) {
  x <- unlist(x)
  if (na.rm) {
    x <- x[!is.na(x)]
  }

  # Get unique values
  ux <- unique(x)
  n <- length(ux)

  # Get frequencies of all unique values
  frequencies <- tabulate(match(x, ux))
  modes <- frequencies == max(frequencies)

  # Determine number of modes
  nmodes <- sum(modes)
  nmodes <- ifelse(nmodes==n, 0L, nmodes)

  if (method %in% c("one", "mode", "") | is.na(method)) {
    # Return NA if not exactly one mode, else return the mode
    if (nmodes != 1) {
      return(NA)
    } else {
      return(ux[which(modes)])
    }
  } else if (method %in% c("n", "nmodes")) {
    # Return the number of modes
    return(nmodes)
  } else if (method %in% c("all", "modes")) {
    # Return NA if no modes exist, else return all modes
    if (nmodes > 0) {
      return(ux[which(modes)])
    } else {
      return(NA)
    }
  }
  warning("Warning: method not recognised.  Valid methods are 'one'/'mode' [default], 'n'/'nmodes' and 'all'/'modes'")
}

由于它使用 Ken 的方法来计算频率，因此性能也得到了优化，我使用 AkselA 的帖子对之前的一些答案进行了基准测试，以显示我的函数在性能上如何接近 Ken，各种输出选项的条件仅导致较小的开销：

Answer 12

这个黑客应该可以正常工作。为您提供模式的值和计数：

Mode <- function(x){
a = table(x) # x is a vector
return(a[which.max(a)])
}

Answer 13

fmode现在在 CRAN 上可用的包中的通用函数collapse实现了基于索引散列的基于 C++ 的模式。它比上述任何一种方法都要快得多。它带有向量、矩阵、data.frames 和 dplyr 分组小标题的方法。句法：

libary(collapse)
fmode(x, g = NULL, w = NULL, ...)

其中x可以是上述对象之一，g提供可选的分组向量或分组向量列表（用于分组模式计算，也在 C++ 中执行），并且w（可选）提供数字权重向量。在分组的 tibble 方法中，没有g参数，你可以做data %>% group_by(idvar) %>% fmode.

Answer 14

R 有如此多的附加包，其中一些很可能提供数字列表/系列/向量的 [统计] 模式。

但是 R 本身的标准库似乎没有这样的内置方法！解决此问题的一种方法是使用如下构造（如果您经常使用，则将其转换为函数......）：

mySamples <- c(19, 4, 5, 7, 29, 19, 29, 13, 25, 19)
tabSmpl<-tabulate(mySamples)
SmplMode<-which(tabSmpl== max(tabSmpl))
if(sum(tabSmpl == max(tabSmpl))>1) SmplMode<-NA
> SmplMode
[1] 19

对于更大的样本列表，应该考虑为 max(tabSmpl) 值使用一个临时变量（我不知道 R 会自动优化这个）

参考：见“中位数和众数怎么样？” 在这个KickStarting R 课程
中 这似乎证实了（至少在编写本课时）R 中没有模式函数（嗯...... mode() 你发现它用于断言变量的类型）。

Answer 15

这工作得很好

> a<-c(1,1,2,2,3,3,4,4,5)
> names(table(a))[table(a)==max(table(a))]

Answer 16

这是一个查找模式的函数：

mode <- function(x) {
  unique_val <- unique(x)
  counts <- vector()
  for (i in 1:length(unique_val)) {
    counts[i] <- length(which(x==unique_val[i]))
  }
  position <- c(which(counts==max(counts)))
  if (mean(counts)==max(counts)) 
    mode_x <- 'Mode does not exist'
  else 
    mode_x <- unique_val[position]
  return(mode_x)
}

Answer 17

下面是可用于在 R 中查找向量变量模式的代码。

a <- table([vector])

names(a[a==max(a)])

Answer 18

为此提供了多种解决方案。我检查了第一个，然后写了我自己的。如果对任何人有帮助，请在此处发布：

Mode <- function(x){
  y <- data.frame(table(x))
  y[y$Freq == max(y$Freq),1]
}

让我们用几个例子来测试它。我正在获取iris数据集。让我们用数字数据进行测试

> Mode(iris$Sepal.Length)
[1] 5

您可以验证它是正确的。

现在虹膜数据集（物种）中唯一的非数字字段没有模式。让我们用我们自己的例子来测试

> test <- c("red","red","green","blue","red")
> Mode(test)
[1] red

编辑

如评论中所述，用户可能希望保留输入类型。在这种情况下，模式函数可以修改为：

Mode <- function(x){
  y <- data.frame(table(x))
  z <- y[y$Freq == max(y$Freq),1]
  as(as.character(z),class(x))
}

该函数的最后一行只是将最终模式值强制转换为原始输入的类型。

Answer 19

给出按频率排序的所有值的另一个简单选项是使用rle：

df = as.data.frame(unclass(rle(sort(mySamples))))
df = df[order(-df$lengths),]
head(df)

Answer 20

我会使用 density() 函数来识别（可能是连续的）分布的平滑最大值：

function(x) density(x, 2)$x[density(x, 2)$y == max(density(x, 2)$y)]

其中 x 是数据集合。注意调节平滑的密度函数的调节参数。

Answer 21

虽然我喜欢 Ken Williams 的简单功能，但我想检索多个模式（如果存在）。考虑到这一点，我使用以下函数返回模式列表（如果是多个模式或单一模式）。

rmode <- function(x) {
  x <- sort(x)  
  u <- unique(x)
  y <- lapply(u, function(y) length(x[x==y]))
  u[which( unlist(y) == max(unlist(y)) )]
} 

Answer 22

我浏览了所有这些选项并开始想知道它们的相关特性和性能，所以我做了一些测试。如果其他人对此感到好奇，我将在这里分享我的结果。

不想打扰这里发布的所有函数，我选择关注基于几个标准的示例：该函数应该适用于字符、因子、逻辑和数字向量，它应该适当地处理 NA 和其他有问题的值，并且输出应该是“明智的”，即没有数字作为字符或其他类似的愚蠢。

我还添加了我自己的功能，它基于与rlechrispy 相同的想法，但适用于更一般的用途：

library(magrittr)

Aksel <- function(x, freq=FALSE) {
    z <- 2
    if (freq) z <- 1:2
    run <- x %>% as.vector %>% sort %>% rle %>% unclass %>% data.frame
    colnames(run) <- c("freq", "value")
    run[which(run$freq==max(run$freq)), z] %>% as.vector   
}

set.seed(2)

F <- sample(c("yes", "no", "maybe", NA), 10, replace=TRUE) %>% factor
Aksel(F)

# [1] maybe yes  

C <- sample(c("Steve", "Jane", "Jonas", "Petra"), 20, replace=TRUE)
Aksel(C, freq=TRUE)

# freq value
#    7 Steve

我最终在两组测试数据上运行了五个函数，通过microbenchmark. 函数名称指的是它们各自的作者：

Chris 的函数method="modes"默认na.rm=TRUE设置为使其更具可比性，但除此之外，这些函数由其作者在此处提供。

仅就速度而言，Kens 版本轻松获胜，但它也是其中唯一一款只会报告一种模式的版本，无论真正有多少。通常情况下，需要在速度和多功能性之间进行权衡。在method="mode"中，如果存在一种模式，则 Chris 的版​​本将返回一个值，否则返回 NA。我认为这是一个很好的接触。我还认为有趣的是，一些函数如何受到唯一值数量增加的影响，而其他函数则几乎没有。除了消除逻辑/数字作为原因之外，我还没有详细研究代码以找出原因。

Answer 23

模式并非在所有情况下都有用。所以函数应该解决这种情况。试试下面的功能。

Mode <- function(v) {
  # checking unique numbers in the input
  uniqv <- unique(v)
  # frquency of most occured value in the input data
  m1 <- max(tabulate(match(v, uniqv)))
  n <- length(tabulate(match(v, uniqv)))
  # if all elements are same
  same_val_check <- all(diff(v) == 0)
  if(same_val_check == F){
    # frquency of second most occured value in the input data
    m2 <- sort(tabulate(match(v, uniqv)),partial=n-1)[n-1]
    if (m1 != m2) {
      # Returning the most repeated value
      mode <- uniqv[which.max(tabulate(match(v, uniqv)))]
    } else{
      mode <- "Two or more values have same frequency. So mode can't be calculated."
    }
  } else {
    # if all elements are same
    mode <- unique(v)
  }
  return(mode)
}

输出，

x1 <- c(1,2,3,3,3,4,5)
Mode(x1)
# [1] 3

x2 <- c(1,2,3,4,5)
Mode(x2)
# [1] "Two or more varibles have same frequency. So mode can't be calculated."

x3 <- c(1,1,2,3,3,4,5)
Mode(x3)
# [1] "Two or more values have same frequency. So mode can't be calculated."

Answer 24

这建立在 jprockbelly 的答案之上，通过为非常短的向量添加加速。这在将模式应用于具有大量小组的 data.frame 或数据表时很有用：

Mode <- function(x) {
   if ( length(x) <= 2 ) return(x[1])
   if ( anyNA(x) ) x = x[!is.na(x)]
   ux <- unique(x)
   ux[which.max(tabulate(match(x, ux)))]
}

Answer 25

另一种可能的解决方案：

Mode <- function(x) {
    if (is.numeric(x)) {
        x_table <- table(x)
        return(as.numeric(names(x_table)[which.max(x_table)]))
    }
}

用法：

set.seed(100)
v <- sample(x = 1:100, size = 1000000, replace = TRUE)
system.time(Mode(v))

输出：

   user  system elapsed 
   0.32    0.00    0.31 

Answer 26

我的情况是，您的观察结果是来自实数的类，并且当您的观察结果为2、2、3和 3 时，您希望众数为 2.5，然后您可以使用where l1 ..最常见类的下限f1来估计众数。 .频率最频繁类，f0 ..最频繁类之前的类频率，f2 ..最频繁类之后的类频率和i ..类间隔，如在1、2、3中给出：mode = l1 + i * (f1-f0) / (2f1 - f0 - f2)

#Small Example
x <- c(2,2,3,3) #Observations
i <- 1          #Class interval

z <- hist(x, breaks = seq(min(x)-1.5*i, max(x)+1.5*i, i), plot=F) #Calculate frequency of classes
mf <- which.max(z$counts)   #index of most frequent class
zc <- z$counts
z$breaks[mf] + i * (zc[mf] - zc[mf-1]) / (2*zc[mf] - zc[mf-1] - zc[mf+1])  #gives you the mode of 2.5


#Larger Example
set.seed(0)
i <- 5          #Class interval
x <- round(rnorm(100,mean=100,sd=10)/i)*i #Observations

z <- hist(x, breaks = seq(min(x)-1.5*i, max(x)+1.5*i, i), plot=F)
mf <- which.max(z$counts)
zc <- z$counts
z$breaks[mf] + i * (zc[mf] - zc[mf-1]) / (2*zc[mf] - zc[mf-1] - zc[mf+1])  #gives you the mode of 99.5

如果您想要最频繁的级别并且您有多个最频繁的级别，您可以获取所有这些级别，例如：

x <- c(2,2,3,5,5)
names(which(max(table(x))==table(x)))
#"2" "5"

Answer 27

如果你问 R 中的内置函数，也许你可以在 package 上找到它pracma。在那个包里面，有一个函数叫做 Mode.

Answer 28

可以尝试以下功能：

1. 将数值转换为因子
2. 使用 summary() 获取频率表
3. return mode 频率最大的索引
4. 即使有超过 1 种模式，也可以将转换因子转换回数字，这个功能很好用！

mode <- function(x){
  y <- as.factor(x)
  freq <- summary(y)
  mode <- names(freq)[freq[names(freq)] == max(freq)]
  as.numeric(mode)
}

Answer 29

计算模式主要是在因子变量的情况下，然后我们可以使用

labels(table(HouseVotes84$V1)[as.numeric(labels(max(table(HouseVotes84$V1))))])

HouseVotes84 是“mlbench”包中可用的数据集。

它将给出最大标签值。内置函数本身更容易使用，无需编写函数。

Answer 30

在我看来，如果一个集合有一个模式，那么它的元素可以与自然数一对一地映射。因此，找到模式的问题简化为生成这样的映射，找到映射值的模式，然后映射回集合中的某些项目。（处理NA发生在映射阶段）。

我有一个histogram在类似主体上运行的函数。（此处提供的代码中使用的特殊功能和运算符应在Shapiro和/或netOveRse中定义。此处复制的 Shapiro 和 NeatOveRse 部分经许可如此复制；复制的片段可根据本网站的条款使用。 ) R伪代码histogram是

.histogram <- function (i)
        if (i %|% is.empty) integer() else
        vapply2(i %|% max %|% seqN, `==` %<=% i %O% sum)

histogram <- function(i) i %|% rmna %|% .histogram

（特殊的二元运算符完成管道、柯里化和合成）我还有一个maxloc函数，它类似于which.max，但返回向量的所有绝对最大值。R伪代码maxloc是

FUNloc <- function (FUN, x, na.rm=F)
        which(x == list(identity, rmna)[[na.rm %|% index.b]](x) %|% FUN)

maxloc <- FUNloc %<=% max

minloc <- FUNloc %<=% min # I'M THROWING IN minloc TO EXPLAIN WHY I MADE FUNloc

然后

imode <- histogram %O% maxloc

和

x %|% map %|% imode %|% unmap

将计算任何集合的模式，前提是定义了适当的map-ping 和unmap-ping 函数。

Answer 31

raster::modal()作为选项添加，但请注意，这raster是一个庞大的软件包，如果您不进行地理空间工作，可能不值得安装。

可以从https://github.com/rspatial/raster/blob/master/src/modal.cpp和https://github.com/rspatial/raster/blob/master/R/modal 中提取源代码。 R变成了个人 R 包，适合那些特别热衷的人。

Answer 32

这是我的 data.table 解决方案，它返回完整表的逐行模式。我用它来推断行类。它负责 data.table 中新的 set() 函数，并且应该非常快。虽然它不管理 NA，但可以通过查看此页面上的众多其他解决方案来添加。

majorityVote <- function(mat_classes) {
  #mat_classes = dt.pour.centroids_num
  dt.modes <- data.table(mode = integer(nrow(mat_classes)))
  for (i in 1:nrow(mat_classes)) {
    cur.row <- mat_classes[i]
    cur.mode <- which.max(table(t(cur.row)))
    set(dt.modes, i=i, j="mode", value = cur.mode)
  }

  return(dt.modes)
}

可能的用法：

newClass <- majorityVote(my.dt)  # just a new vector with all the modes

Answer 33

抱歉，我可能把它想得太简单了，但这不是工作吗？（我的机器上的 1E6 值需要 1.3 秒）：

t0 <- Sys.time()
summary(as.factor(round(rnorm(1e6), 2)))[1]
Sys.time()-t0

你只需要用你的向量替换“round(rnorm(1e6),2)”。

Answer 34

您还可以计算一个实例在您的集合中发生的次数并找到最大次数。例如

> temp <- table(as.vector(x))
> names (temp)[temp==max(temp)]
[1] "1"
> as.data.frame(table(x))
r5050 Freq
1     0   13
2     1   15
3     2    6
> 

Answer 35

以下是您可以在 Theta(N) 运行时执行此操作的几种方法

from collections import defaultdict

def mode1(L):
    counts = defaultdict(int)
    for v in L:
        counts[v] += 1
    return max(counts,key=lambda x:counts[x])

def mode2(L):
    vals = set(L)
    return max(vals,key=lambda x: L.count(x))

def mode3(L):
    return max(set(L), key=lambda x: L.count(x))

Answer 36

计算包含离散值的向量“v”的 MODE 的一种简单方法是：

names(sort(table(v)))[length(sort(table(v)))]