Sorteer een dataframe in R: de functie `order()` met een voorbeeld.

⚡ Slimme samenvatting

Het sorteren van een dataframe in R is gebaseerd op de functie `order()`, die rijposities retourneert in plaats van waarden. Door deze posities tussen vierkante haken te plaatsen, worden de rijen herschikt op basis van één kolom, meerdere kolommen of in aflopende volgorde.

  • 🔢 Basisprincipes van order(): De functie order() retourneert de rij-indexen die een kolom in oplopende volgorde plaatsen, niet de gesorteerde waarden zelf.
  • 📌 Enkele kolom: df[order(df$c1), ] herschikt elke rij van het frame op basis van de waarden in c1.
  • 🧮 Meerdere kolommen: Extra argumenten fungeren als tiebreakers, dus order(df$c3, df$c4) sorteert eerst op c3 en vervolgens op c4.
  • ???? Aflopende volgorde: Voorzie een numerieke kolom van een minteken, of geef decreasing = TRUE door aan sort().
  • 🧩 tidyverse Route: arrange() en desc() drukken precies dezelfde soorten uit als leesbare dplyr-werkwoorden.
  • ⚠️ Ontbrekende waarden: order() plaatst NA standaard als laatste, terwijl sort() ontbrekende waarden verwijdert, tenzij na.last is ingesteld.

R Sorteer een dataframe met Order()

Gegevens sorteren in R

Bij data-analyse kan dat wel sorteren uw gegevens volgens een bepaalde variabele in de dataset. In R kunnen we de hulp van de functie order() gebruiken. In R kunnen we eenvoudig een vector van een continue variabele of factorvariabele sorteren. Het ordenen van de gegevens kan van alles zijn oplopende or aflopend order.

Syntax:

sort(x, decreasing = FALSE, na.last = NA)

Argument:

  • xEen vector die een continue variabele of een factorvariabele bevat.
  • afnemende: Hiermee wordt de sorteerrichting bepaald. Standaard is aflopend ingesteld op FALSE, wat resulteert in oplopende sortering.
  • na.lastGeeft aan of NA-waarden als laatste moeten worden geplaatst of niet. `sort()` gebruikt standaard NA, waardoor ontbrekende waarden worden verwijderd; `order()` gebruikt TRUE, waardoor ze behouden blijven en als laatste worden geplaatst.

sort() versus order() versus rank() in R

De bovenstaande syntax hoort bij sort(), maar elk voorbeeld op deze pagina gebruikt order(). De twee functies beantwoorden verschillende vragen, en het door elkaar halen ervan is de meest voorkomende reden waarom een ​​sortering lijkt te mislukken. rank() completeert het trio.

Functie Retourneren Gebruik het wanneer Standaard NA-afhandeling
soort() De waarden zelf, in volgorde Je hebt alleen een gesorteerde vector nodig. na.last = NA, dus NA vervalt
volgorde() De rijposities die de gesorteerde volgorde opleveren Je moet een volledig dataframe opnieuw ordenen. na.last = TRUE, dus NA komt als laatste.
rang() De rang van elk element in zijn oorspronkelijke positie. Je hebt een rangschikkingskolom nodig, geen herschikte tabel. na.last = TRUE

Omdat order() posities retourneert, is het de enige van de drie die de vierkante haakjes-subsetting kan aansturen die op deze pagina wordt gebruikt. R-basisdocumentatie voor order() Geeft een overzicht van alle argumenten, inclusief het methodeargument waarmee het sorteeralgoritme wordt geselecteerd.

Voorbeeld 1: Sorteer een DataFrame op één kolom

We kunnen bijvoorbeeld een tibble-dataframe maken en een of meerdere variabelen sorteren. Een tibble-dataframe is een moderne variant op de dataframeHet verbetert de syntaxis van het dataframe en voorkomt frustrerende opmaakproblemen met gegevenstypen, met name de conversie van tekens naar factoren. Het is ook een handige manier om handmatig een dataframe te maken, wat ons doel hier is. Raadpleeg de handleiding voor meer informatie over tibbles. https://tibble.tidyverse.org/articles/tibble.html

De onderstaande code bouwt een tibble van 50 rijen met vijf willekeurige kolommen en sorteert vervolgens elke rij op basis van de waarden in c1. set.seed(1234) zorgt ervoor dat de willekeurige trekking vaststaat, zodat dezelfde getallen op elke machine verschijnen.

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

De komma vóór de sluitende haak is belangrijk: df[order(…), ] herschikt de rijen, terwijl df[, order(…)] de kolommen herschikt.

Voorbeeld 2: Sorteren op meerdere kolommen

Elk extra argument dat aan order() wordt doorgegeven, fungeert als tiebreaker voor het argument ervoor. Hier wordt het frame gesorteerd op c3, en rijen met dezelfde c3-waarde worden vervolgens gesorteerd op 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

Voorbeeld 3: Sorteer de ene kolom aflopend en de andere oplopend.

Elke kolom kan zijn eigen sorteerrichting hebben. Door een minteken voor een numerieke kolom te plaatsen, wordt alleen die kolom omgekeerd, dus de onderstaande sortering loopt aflopend op c3 en oplopend op 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

De truc met het minteken werkt alleen op numerieke kolommen. Voor kolommen met tekens of factoren gebruikt u order(xtfrm(df$col), decreasing = TRUE), of schakelt u over op de dplyr-aanpak die hierna wordt getoond.

Sorteer een DataFrame met dplyr arrange().

De vierkante haakjesconstructie wordt lastig leesbaar wanneer er meerdere kolommen en richtingen bij betrokken zijn, omdat de framenaam in elk argument wordt herhaald. dplyr Het werkwoord arrange() verwijdert die herhaling: kolommen worden slechts één keer benoemd en desc() markeert de kolommen die in omgekeerde volgorde lopen.

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

Drie praktische verschillen die het vermelden waard zijn:

  • leesbaarheid: arrange(desc(c3), c4) geeft de intentie direct weer, terwijl order(-data_frame$c3, data_frame$c4) deze verbergt achter een minteken.
  • KolomtypenDe functie `desc()` werkt zowel op tekenreeks- en factorkolommen als op numerieke kolommen, dus er is geen `xtfrm()`-omweg nodig.
  • Ontbrekende waardenDe functie `arrange()` plaatst NA altijd als laatste, ongeacht de richting, terwijl `order()` je in staat stelt ze met `na.last` te verplaatsen.

arrange() retourneert een nieuw dataframe en laat het originele ongewijzigd, net als de versie met vierkante haken. Het resultaat moet dus nog steeds een naam krijgen om bewaard te blijven. Gegroepeerde frames worden alleen binnen elke groep gesorteerd als .by_group = TRUE is opgegeven.

Het sorteren van tekenreeksen, factoren en ontbrekende waarden in R

Numerieke kolommen sorteren op een voorspelbare manier. Tekst, categorieën en lege velden niet, en voor elk van deze drie is een andere beslissing nodig.

Ontbrekende waarden. De functies sort() en order() verschillen van mening over wat ze met NA-waarden moeten doen, waardoor dezelfde kolom twee verschillende aantallen rijen kan opleveren:

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

factoren. A factor Sorteert op niveau, niet alfabetisch. Dat is precies wat je wilt voor geordende categorieën zoals laag, gemiddeld en hoog, en precies wat je niet wilt als de niveaus zijn aangemaakt in de volgorde waarin de waarden toevallig verschenen:

grades <- factor(c("low", "high", "medium"),
                 levels = c("low", "medium", "high"))
sort(grades)                # follows the level order
sort(as.character(grades))  # plain alphabetical order

Tekstkolommen. Bij het sorteren van platte tekst wordt de sortering gebaseerd op de landinstelling, waardoor hoofdletters en accenten het resultaat tussen verschillende machines kunnen beïnvloeden. Twee gewoonten voorkomen verrassingen: controleer class(df$col) vóór het sorteren en converteer cijfers die als tekst zijn opgeslagen met as.numeric(), zodat "10" niet vóór "2" komt te staan.

Veelgestelde vragen

Gebruik df[order(rownames(df)), ]. Rijnamen zijn van het type character, dus de sortering volgt de tekstcollatie en "10" komt vóór "2". Plaats ze in as.numeric() wanneer ze numeriek zijn. Tibbles laten rijnamen volledig weg, dus voeg in plaats daarvan een expliciete id-kolom toe.

Geef `method = “radix”` door aan `order()`, de snelste optie voor gehele getallen en korte tekenreeksen. Voor miljoenen rijen sorteert `data.table::setorder()` op zijn plaats zonder de tabel te kopiëren, en de `dplyr` functie `arrange()` gebruikt intern al een radixsort.

Index met een omgekeerde volgorde: df[nrow(df):1, ]. Dit draait de huidige volgorde om in plaats van te sorteren, wat van belang is wanneer het frame is geschud of gegroepeerd. Stel de labels daarna opnieuw in met rownames(df) <- NULL als ze verwarrend lijken.

De kolom wordt opgeslagen als tekenreeks of factor, dus R vergelijkt deze als tekst en plaatst "10" vóór "2". Controleer met class(df$col) en converteer vervolgens met as.numeric(as.character(df$col)) voordat de sortering plaatsvindt.

Nee. `order()` retourneert een indexvector en `df[order(…), ]` bouwt een nieuw frame, waardoor het originele frame ongewijzigd blijft totdat het resultaat wordt teruggegeven. Rijnamen behouden hun oude waarden, wat een nuttige aanwijzing is dat het frame opnieuw is geordend.

AI-assistenten kunnen een kolom die als tekst is opgeslagen herkennen wanneer een numerieke sortering onjuist lijkt, een standaard R-aanroep van `order()` vertalen naar een dplyr-pipeline en een stabiele kolom voorstellen om de knoop door te hakken. Voer altijd de code uit en inspecteer `head()` voordat u het resultaat vertrouwt.

Ja. GitHub-copiloot Werkt in RStudio Desktop 2023.09.0 en later en voert order() en arrange() aanroepen uit vanuit een eenvoudige commentaarregel. Posit waarschuwt dat suggesties niet-deterministisch zijn, dus controleer elke regel voordat u deze uitvoert.

Herschik de kolomindex in plaats van de rijindex. df[, order(names(df))] rangschikt kolommen alfabetisch, en df[, c(“c3”, “c1”)] kiest een expliciete volgorde. dplyr-gebruikers kunnen select(df, c3, c1) aanroepen, waarmee in één stap wordt herschikt en een subset wordt gemaakt.

Vat dit bericht samen met: