我有这样一个 Dataframe ：
mydf <- data.frame(A = c(40,9,55,1,2), B = c(12,1345,112,45,789))
mydf
A B
1 40 12
2 9 1345
3 55 112
4 1 45
5 2 789我只想保留95%的观测值，并丢弃5%具有极值的数据。首先，我计算它们有多少个观测值：
th <- length(mydf$A) * 0.95然后我想删除th上面的所有行（或者保留th下面的行，根据您的需要），我需要按升序对mydf排序，以便只删除那些极值。
mydf[order(mydf["A"], mydf["B"]),]
mydf[order(mydf$A,mydf$B),]
mydf[with(mydf, order(A,B)), ]
plyr::arrange(mydf,A,B)但是没有任何效果，所以mydf没有同时按两列升序排序。我看了这里Sort (order) data frame rows by multiple columns，但是最常见的解决方案不起作用，我不知道为什么。
然而，如果我一次只考虑一列（例如A），这些排序方法可以工作，但是我不知道如何丢弃极值，因为：
mydf <- mydf[(order(mydf$A) < th),]删除值为9的第二行，而我的意图是对mydf进行子集化，只保留th reshold以下的值（在本例中是指观察数，而不是值）。我可以想象，我缺少的是非常简单和基本的东西......而且可能有更好的tidyverse方法。
2条答案
按热度按时间kcwpcxri1#
我认为这里需要 *
rank，但是它不能用于多列。要解决这个问题，请注意rank(.)等价于order(order(.))：这样，我们就可以在两列（所有列）上使用
order，然后再次排序，再将得到的排名与th值进行比较。这种方法的优点是保留了行的自然排序。
如果您希望只调用一次
order，那么可以重新排序并使用head：尽管这不会保留行的原始顺序（这对您可能重要，也可能不重要）。
wrrgggsh2#
可能的方法
另一种方法是使用dplyr排名函数，如
cume_dist()或percent_rank()，它们可以接受 Dataframe 作为输入，并返回基于所有列的排名/百分点。关于分位数的一般注意事项
更一般地说，请记住，定义分位数是不容易的，比如are multiple possible approaches。你需要考虑一下在给定目标的情况下，什么是最有意义的。举个例子，从dplyr docs：
cume_dist(x)计算小于或等于x_i的值的总数，并将其除以观测数。percent_rank(x)计算小于x_i的值的总数，并将其除以观测数减去1。这意味着，对于
cume_dist()，最小值总是1 / nrow()，而对于percent_rank()，最大值总是1，这意味着根据方法的不同，可能会排除不同的情况，也意味着我提供的代码将 * 总是 * 删除排名最高的行。这可能符合也可能不符合你的期望。（例如，在一个只有5个元素的向量中，最高值是“高于第95百分位数”吗？这取决于你如何定义它。）