R Sort Data Frame: order() Funktion med eksempel
Evelyn Clarke
⚡ Smart opsummering
Sortering af en dataramme i R er afhængig af funktionen order(), som returnerer rækkepositioner i stedet for værdier. Ved at placere disse positioner i firkantede parenteser omarrangeres rækkerne med én kolonne, med flere kolonner eller i faldende rækkefølge.
Sortering af data i R
I dataanalyse kan du sort dine data i henhold til en bestemt variabel i datasættet. I R kan vi bruge hjælpen fra funktionen order(). I R kan vi nemt sortere en vektor af kontinuert variabel eller faktorvariabel. Ordning af data kan være af opstigende or aftagende rækkefølge.
Syntaks:
sort(x, decreasing = FALSE, na.last = NA)
Argument:
- xEn vektor, der indeholder en kontinuert variabel eller en faktorvariabel
- faldendeStyrer sorteringsretningen. Som standard er faldende indstillet til FALSK, hvilket giver stigende rækkefølge.
- na.sidsteAngiver, om NA-værdier skal placeres sidst eller ej. sort() bruger NA som standard, hvilket fjerner manglende værdier; order() bruger TRUE, hvilket beholder dem og placerer dem sidst.
sort() vs. order() vs. rank() i R
Syntaksen ovenfor tilhører sort(), men hvert eksempel på denne side kalder order(). De to funktioner besvarer forskellige spørgsmål, og at blande dem sammen er den mest almindelige årsag til, at en sortering tilsyneladende mislykkes. rank() fuldender trioen.
| Funktion | Returpolitik | Brug det når | Standard NA-håndtering |
|---|---|---|---|
| sortere() | Værdierne i sig selv, i rækkefølge | Du behøver kun en sorteret vektor | na.last = NA, så NA er droppet |
| bestille() | De rækkepositioner, der producerer den sorterede rækkefølge | Du skal omarrangere en hel dataramme | na.last = TRUE, så NA kommer sidst |
| rang() | Rangen af hvert element i dets oprindelige position | Du har brug for en rangkolonne, ikke en omordnet tabel | na.last = TRUE |
Fordi order() returnerer positioner, er det den eneste af de tre, der kan styre den delmængde af firkantede parenteser, der bruges på hele denne side. R-basisdokumentation for order() viser alle argumenter, inklusive metodeargumentet, der vælger sorteringsalgoritmen.
Eksempel 1: Sortér en dataramme efter én kolonne
For eksempel kan vi oprette en tibble-dataramme og sortere en eller flere variabler. En tibble-dataramme er en moderne fortolkning af datarammeDet forbedrer datarammens syntaks og undgår frustrerende formatering af datatyper, især konvertering fra tegn til faktor. Det er også en bekvem måde at oprette en dataramme manuelt, hvilket er vores formål her. For at lære mere om tibble, se vignetten: https://tibble.tidyverse.org/articles/tibble.html
Koden nedenfor bygger en tibble med 50 rækker bestående af fem tilfældige kolonner og sorterer derefter hver række efter værdierne i c1. set.seed(1234) retter den tilfældige trækning, så de samme tal vises på enhver maskine.
library(dplyr) set.seed(1234) data_frame <- tibble( c1 = rnorm(50, 5, 1.5), c2 = rnorm(50, 5, 1.5), c3 = rnorm(50, 5, 1.5), c4 = rnorm(50, 5, 1.5), c5 = rnorm(50, 5, 1.5) ) # Sort by c1 df <-data_frame[order(data_frame$c1),] head(df)
Output:
# A tibble: 6 x 5 ## c1 c2 c3 c4 c5 ## <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 1.481453 3.477557 4.246283 3.686611 6.0511003 ## 2 1.729941 5.824996 4.525823 6.753663 0.1502718 ## 3 2.556360 6.275348 2.524849 6.368483 5.4787404 ## 4 2.827693 4.769902 5.120089 3.743626 4.0103449 ## 5 2.988510 4.395902 2.077631 4.236894 4.6176880 ## 6 3.122021 6.317305 5.413840 3.551145 5.6067027
Kommaet før den afsluttende parentes har betydning: df[order(…), ] omarrangerer rækker, mens df[, order(…)] i stedet omarrangerer kolonner.
Eksempel 2: Sortér efter flere kolonner
Hvert ekstra argument, der sendes til order(), fungerer som en tie-breaker for argumentet før det. Her sorteres rammen efter c3, og rækker, der deler den samme c3-værdi, sorteres derefter efter c4.
# Sort by c3 and c4
df <-data_frame[order(data_frame$c3, data_frame$c4),]
head(df)
Output:
# A tibble: 6 x 5 ## c1 c2 c3 c4 c5 ## <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 2.988510 4.395902 2.077631 4.236894 4.617688 ## 2 2.556360 6.275348 2.524849 6.368483 5.478740 ## 3 3.464516 3.914627 2.730068 9.565649 6.016123 ## 4 4.233486 3.292088 3.133568 7.517309 4.772395 ## 5 3.935840 2.941547 3.242078 6.464048 3.599745 ## 6 3.835619 4.947859 3.335349 4.378370 7.240240
Eksempel 3: Sortér én kolonne faldende og en anden stigende
Hver kolonne kan have sin egen retning. Hvis der sættes et minustegn foran en numerisk kolonne, vendes kun den pågældende kolonne om, så sorteringen nedenfor kører faldende på c3 og stigende på c4.
# Sort by c3(descending) and c4(ascending)
df <-data_frame[order(-data_frame$c3, data_frame$c4),]
head(df)
Output:
# A tibble: 6 x 5 ## c1 c2 c3 c4 c5 ## <dbl> <dbl> <dbl> <dbl> <dbl> ## 1 4.339178 4.450214 8.087243 4.5010140 8.410225 ## 2 3.959420 8.105406 7.736312 7.1168936 5.431565 ## 3 3.339023 3.298088 7.494285 5.9303153 7.035912 ## 4 3.397036 5.382794 7.092722 0.7163620 5.620098 ## 5 6.653446 4.733315 6.520536 0.9016707 4.513410 ## 6 4.558559 4.712609 6.380086 6.0562703 5.044277
Minustegn-tricket virker kun på numeriske kolonner. For tegn- eller faktorkolonner skal du bruge order(xtfrm(df$col), decreasing = TRUE), eller skifte til dplyr-tilgangen vist nedenfor.
Sortér en dataramme med dplyr arrange()
Idiomet med firkantede parenteser bliver svært at læse, når der er involveret flere kolonner og retninger, fordi rammenavnet gentages i hvert argument. dplyr Verbet arrange() fjerner den gentagelse: kolonner navngives én gang, og desc() markerer dem, der kører baglæns.
library(dplyr) # The same three sorts written with arrange() data_frame %>% arrange(c1) # Example 1 data_frame %>% arrange(c3, c4) # Example 2 data_frame %>% arrange(desc(c3), c4) # Example 3
Tre praktiske forskelle er værd at kende:
- Læsbarhedarrange(desc(c3), c4) angiver intentionen direkte, mens order(-data_frame$c3, data_frame$c4) skjuler den bag et minustegn.
- Kolonnetyperdesc() fungerer på tegn- og faktorkolonner såvel som numeriske, så der er ikke behov for en løsning til xtfrm().
- Manglende værdierarrange() placerer altid NA sidst, uanset retningen, hvorimod order() lader dig flytte dem med na.last.
arrange() returnerer en ny dataramme og lader originalen være uændret, præcis som versionen med firkantede parenteser, så resultatet skal stadig tildeles et navn for at blive beholdt. Grupperede rammer sorteres kun inden for hver gruppe, når .by_group = TRUE angives.
Sortering af tegn, faktorer og manglende værdier i R
Numeriske kolonner sorteres forudsigeligt. Tekst, kategorier og huller gør det ikke, og hver af de tre kræver en forskellig beslutning.
Manglende værdier. sort() og order() er uenige om, hvad de skal gøre med NA, hvilket er grunden til, at den samme kolonne kan producere to forskellige rækkeantal:
x <- c(3, NA, 1, 2) sort(x) # missing values dropped sort(x, na.last = TRUE) # missing values pushed to the end order(x) # NA indexed last by default order(x, na.last = FALSE) # NA indexed first
faktorer. A faktor sorterer efter niveauorden, ikke alfabetisk. Det er præcis, hvad du ønsker for ordnede kategorier som lav, mellem og høj, og præcis, hvad du ikke ønsker, hvis niveauerne blev oprettet i den rækkefølge, værdierne tilfældigvis optrådte:
grades <- factor(c("low", "high", "medium"), levels = c("low", "medium", "high")) sort(grades) # follows the level order sort(as.character(grades)) # plain alphabetical order
Tegnkolonner. Almindelig tekst sorterer efter lokalitet, så brug af store bogstaver og accenter kan ændre resultatet mellem maskiner. Der er to vaner, der undgår overraskelser: tjek class(df$col) før sortering, og konverter cifre gemt som tekst med as.numeric(), så "10" ikke lander foran "2".
