使用 dplyr 将所有不常见的字符串更改为“其他”

Question

我的数据框中有一列字符串，我试图将除n 个最常出现的字符串之外的所有字符串替换为“其他”。

尽管我目前的方法有效，但它似乎非常复杂，因为它涉及创建一个小标题并%in%用于创建一个布尔向量。

所以我的问题是：是否有更简单的方法使用dplyr来完成此操作，如果是这样，我将如何将其包装在一个函数中并使用 将其应用于多列mutate_all？

library(dplyr)

# setting up the data frame:
letter.df <- data_frame(val=sample(1:25, size = 100, replace = TRUE),
                        let=rep(x = letters[1:5], length.out=100))
letter.df[1:3, 2] <- c('x','y','z')


# my current approach more or less:
top5letters <- letter.df %>% 
  count(let) %>% 
  arrange(desc(n)) %>% 
  top_n(n=5)

idx <- letter.df$let %in% top5letters$let
letter.df$let[!idx] <- 'other'

Answer 1

使用 forcats

这个forcats包是tidyverse 的一部分，有一个函数fct_lump()，它（我认为）正是你想要的。

require(forcats)
letter.df %>%
    mutate(let = fct_lump(let %>% as.factor, n=5))

Forcats 是为因子设计的，因此对于您的示例数据，我必须将let列转换为因子而不是字符。如果你真的想让它说“其他”而不是“其他”，你可以这样做fct_lump(..., n=5, other_level='other')。

示范带 mutate_all()

letter.df %>%
    mutate_all(as.factor) %>%
    mutate_all(~fct_lump(.x, n=5))

由于fct_lump()已经是一个函数，所以很容易使用mutate_all()

如果转换为因子是瓶颈

如果您的数据太大并且转换为因子是瓶颈，我会建议您从问题中使用方法，但手动指定要保留的因子水平。这将让您一步完成“截断”和转换。

letter.df %>%
    mutate(let = factor(let, levels=top5letters$let))

（唯一的复杂性是NA您的原始数据中是否有您不想用 模糊的情况'other'，因为最后一种方法会将所有未提供的级别转换为NA。）

Answer 2

有，但可能涉及right_join()。

letter.df %>% 
count(let) %>%
arrange(desc(n)) %>%
top_n(n=5) %>%
right_join(letter.df, by = "let") %>%
mutate(let = ifelse(is.na(n), "other", let))