3

我正在尝试将我的 data.frame/data.table 的一列分成三组，总和相等。

数据首先从最小到最大排序，这样第一组将由大量具有小值的行组成，而第三组将由少量具有大值的行组成。这是通过以下方式在精神上实现的：

test <- data.frame(x = as.numeric(1:100000))
store <- 0
total <- sum(test$x)

for(i in 1:100000){

  store <- store + test$x[i]

  if(store < total/3){

    test$y[i] <- 1

  } else {

      if(store < 2*total/3){

        test$y[i] <- 2

      } else { 

        test$y[i] <- 3

      }     
  }    
}

虽然成功，但我觉得必须有更好的方法（也许我缺少一个非常明显的解决方案）。

  • 当矢量化方法可用时，我从不喜欢使用循环，尤其是嵌套 ifs - 即使有 100,000 多条记录，此代码也会变得非常慢
  • 这种方法将变得不可能复杂到编码到更多的组（不一定是循环，而是 ifs）
  • 需要预先订购色谱柱。可能无法绕过这个。

作为细微差别（不是说它有区别），但要求和的数据并不总是（或永远）是连续的整数。

4

5 回答 5

6

也许与cumsum：

test$z <- cumsum(test$x) %/% (ceiling(sum(test$x) / 3)) + 1
于 2015-04-02T23:37:34.920 回答
5

这或多或少是一个装箱问题。

使用包中的binPack函数BBmisc：

library(BBmisc)
test$bins <- binPack(test$x, sum(test$x)/3+1)

3 个 bin 的总和几乎相同：

tapply(test$x, test$bins, sum)


    1          2          3 
1666683334 1666683334 1666683332
于 2015-04-03T00:10:37.647 回答
4

我认为 cumsum/modulo 除法方法非常优雅，但它确实会重新运行一些不规则的分配：

> tapply(test$x, test$z, sum)
         1          2          3 
1666636245 1666684180 1666729575 
> sum(test)/3
[1] 1666683333

所以我虽然我会首先创建一个随机排列并提供类似的东西：

 test$x <- sample(test$x)
 test$z2 <- cumsum(test$x)[ findInterval(cumsum(test$x), 
                                        c(0, 1666683333*(1:2), sum(test$x)+1))]
> tapply(test$x, test$z2, sum)
     91099     116379     129539 
1666676164 1666686837 1666686999

这也实现了更均匀的计数分布：

> table(test$z2)

 91099 116379 129539 
 33245  33235  33520 
> table(test$z)

    1     2     3 
57734 23915 18351

我必须承认对 中条目的命名感到困惑z2。

于 2015-04-03T00:01:31.670 回答
2

或者你可以cut在cumsum上

test$z <- cut(cumsum(test$x), breaks = 3, labels = 1:3)

或使用ggplot2::cut_interval代替cut：

test$z <- cut_interval(cumsum(test$x), n = 3, labels = 1:3)
于 2019-12-18T11:26:15.800 回答
1

您可以使用 groupdata2 中的 fold() 并获得每组几乎相等数量的元素：

# Create data frame
test <- data.frame(x = as.numeric(1:100000)) 

# Use fold() to create 3 numerically balanced groups  
test <- groupdata2::fold(k = 3, num_col = "x")

# Watch first 10 rows
head(test, 10)

## # A tibble: 10 x 2
## # Groups:   .folds [3]
##        x .folds
##    <dbl> <fct> 
##  1     1 1     
##  2     2 3     
##  3     3 2     
##  4     4 1     
##  5     5 2     
##  6     6 2     
##  7     7 1     
##  8     8 3     
##  9     9 2     
## 10    10 3 

# Check the sum and number of elements per group
test %>% 
  dplyr::group_by(.folds) %>% 
  dplyr::summarize(sum_ = sum(x),
                   n_members = dplyr::n())

## # A tibble: 3 x 3
##   .folds       sum_ n_members
##   <fct>       <dbl>     <int>
## 1 1      1666690952     33333
## 2 2      1666716667     33334
## 3 3      1666642381     33333
于 2019-07-26T01:15:34.420 回答