Início / coding / Perguntas / 79368005
Accepted
chill
Asked: 2025-01-19 05:34:26 +0800 CST

Como posso calcular a distribuição cumulativa dentro de grupos (como faz o cume_dist), mas separar valores vinculados em R?

  • 772

Aqui está um conjunto de dados onde ANO é uma variável de agrupamento.

dat <- data.frame(YEAR = c(rep(1999,4),rep(2002,3)), VALUE = c(1,2,3,2,1,2,3))

Gostaria de adicionar uma coluna que analisa a coluna VALUE e diz "onde, dentro do ano, esse valor fica?" Estou com dificuldade para expressar isso de forma concisa, mas é praticamente o que cume_dist faz, exceto que cume_dist agrupa valores vinculados e eu os quero separados. cume_dist pega 1,2,2,3 e retorna 0,25, 0,75, 0,75, 1,00 e preciso que os vínculos sejam separados: 1,2,2,4 deve retornar 0,25, 0,50, 0,75, 1,0.

Aqui está uma linha baseada em cume_dist que funciona, exceto para os valores empatados:

dat %>% group_by(YEAR) %>% mutate(cumdist = cume_dist(VALUE))

Tentei desconstruir cume_dist (que é a classificação no grupo dividida pelo tamanho do grupo) e usar row_number, que separa empates, para o numerador e dividi-lo pelo número de linhas em cada ano. Isso me dá o numerador correto:

dat %>% group_by(YEAR) %>% mutate(rownumber = row_number(VALUE))

Mas como faço para dividir essas classificações pelo número de valores em cada ano (ou seja, dividir todas as classificações de 1999 por 4 e as classificações de 2002 por 3)?

2 respostas

  1. Best Answer

    É isso que você procura?

    dat %>%
  mutate(cumdist = seq.int(n())[order(VALUE)] / n(), .by = YEAR)

    o que dá

      YEAR VALUE   cumdist
1 1999     1 0.2500000
2 1999     2 0.5000000
3 1999     3 1.0000000
4 1999     2 0.7500000
5 2002     1 0.3333333
6 2002     2 0.6666667
7 2002     3 1.0000000
    • 3

  2. Usando frank()emdata.table

    > library(data.table)
> setDT(dat)
> dat[, cumdist := frank(VALUE, ties.method="first")/.N, by=YEAR]
> dat
    YEAR VALUE   cumdist
   <num> <num>     <num>
1:  1999     1 0.2500000
2:  1999     2 0.5000000
3:  1999     3 1.0000000
4:  1999     2 0.7500000
5:  2002     1 0.3333333
6:  2002     2 0.6666667
7:  2002     3 1.0000000

    Ou método base, já mencionado nos comentários .

    > dat |> 
+   transform(cumdist=ave(VALUE, YEAR, FUN=\(x) rank(x, ties='first')/length(x)))
    YEAR VALUE   cumdist
   <num> <num>     <num>
1:  1999     1 0.2500000
2:  1999     2 0.5000000
3:  1999     3 1.0000000
4:  1999     2 0.7500000
5:  2002     1 0.3333333
6:  2002     2 0.6666667
7:  2002     3 1.0000000
    • 2

relate perguntas