3

Tengo el siguiente data.frame

introducir la descripción de la imagen aquí

y lo que quiero es el 2% de la población, que tenga el valor más alto en cada una de las variables (VGleche, VGkg, VGkp). Hasta ahora he hecho algo demasiado básico y nada ágil para salir del paso, y resolver lo que necesito, pero creo que debe haber alguna manera más eficiente de hacerlo, sin tener que repetir una y otra vez las siguientes líneas de comando para cada variable

top2<-arrange(df, VGleche) #Primero ordeno de mayor a menor mi variable
top3<-top2[1:580,]         #Luego me quedo con el 2% del total de los datos... 
                            Sé que son 580 porque lo he calculado a mano
range(top3$VGleche)        #Esto lo hago porque me interesa saber el rango de 
                            ese 2%

¿Hacer una función ayudaría? Aunque mi conocimiento se limita a funciones extremadamente básicas. ¿Cómo podría agilizar lo que busco? En realidad tengo 20 variables y he tenido que repetir 60 veces esas 3 lineas de comando.

3 respuestas 3

3

Complementando un poco la solución de JRN

set.seed(2019)
#Funcion que calcula una función sobre p% más alto o más bajo del vector a
ordenar2_function = function(a,p=0.02,decreasing=FALSE,fun=range) {
  #a: es el vector de datos
  #p: esta dado en proporcion, es decir si deseo calcular  una función al 50%
  #más alto defino p=0.5
  #decreasing: FALSE para p% más alto. TRUE para p% más bajo.
  #fun: función para aplicar sobre a, por defecto range.
  fun(sort(a, decreasing=decreasing)[1:ceiling((length(a)*p))])
  #sort ordena a
  #[1:ceiling((length(a)*p))] toma el p% más alto de a ordenado
  #length(a) calcula la longitud de df p.e. 100 al multiplicar por p obtenemos el p%
  #ceiling() toma el entero mayor inmediato de un número decimal
}


df<-as.data.frame(matrix(rnorm(1000,1000,100),100,10)) #DF ALEATORIO 

#Usamos apply para recorrer las variables y aplicar ordenar2_funcion
apply(df[,2:10], #podemos seleccionar las variables de interes p.e. de la 2 a la 10
           2, function(x){ #El dos indica que se aplicara la función 
             #sobre las columnas de df, puede ser 1 para aplicar sobre las filas.
             ordenar2_function(a=x,fun=mean) #Aplicado la media
           })

#Ejemplo aplicando la función range
apply(df[5:8], 2, function(x){ordenar2_function(a=x,fun=range)})

Salida. Para cada variable tenemos el mínimo en la primera fila y el maximo en la segunda.

           V5       V6       V7       V8
[1,] 730.0383 794.0298 769.6017 681.3682
[2,] 776.2846 825.6638 786.8856 730.6376

Entonces ahora puedes sustituir fun por otras funciones p.e. var para calcular varianza o summary que devuelve (min, q1, median, mean, q3, max).

5
  • excelente! Era lo que buscaba! Muchas gracias. Sólo una pregunta (por desconocimiento mío sobre hacer funciones en R) ¿Qué hace exactamente esta parte de la función[1:ceiling((length(a)*p))]? y con function(a,p=0.02), la p=0.02 indica directamente en la función "porcentaje"?
    – Caro
    el 11 sep. 2019 a las 7:21
  • y otra pregunta, apply(df[,2:10], 2, ordenar2) --> ese 2 que está antes de la coma de ordenar2, qué indica?
    – Caro
    el 11 sep. 2019 a las 9:56
  • Y otras 2 preguntas... 1)Que debería hacer para conocer la media de ese 2% de los datos? He intentado varias cosas pero no lo consigo... y 2)Cómo genero un listado aparte de ese 2%? Ahora me doy cuenta que necesito saber quienes son exactamente esos individuos. Gracias!
    – Caro
    el 11 sep. 2019 a las 11:21
  • Ok.. perdón deje muy a la interpretación. Antes que nada mencionar que siempre puedes consultar la documentación de una función en R usando ?nombre_de_la_función el 11 sep. 2019 a las 16:36
  • 1
    @Caro he editado la respuesta para que la función ahora ordenar2_function puede aplicar esa cualquier función. P.e. para que te regrese los valores ordenados sin modificaros puedes hacer function(x){x} pero toma en cuenta que en cada variable los individuos con los valores mayores pueden ser diferentes. el 11 sep. 2019 a las 17:13
3
ordenar2 = function(a) {
sort(a, decreasing=FALSE)[1:ceiling((length(a)*0.02))]
}

ordenar2(a)

entonces solo debes usar la funcion y te dará el 2% de los valores mas altos.

2

Esta es una opción integramente dplyr:

# a modo de ejemplo, generamos un df de 100 filas y 5 columnas
set.seed(2019)
df <- as.data.frame(matrix(rnorm(1000,1000,100),100,5))

df %>% 
    mutate_at(vars(V1:V5), funs(sort)) %>% 
    top_n(nrow(.)*.02)

        V1       V2       V3       V4       V5
1 1237.545 1199.863 1216.064 1200.844 1280.682
2 1263.602 1219.575 1230.190 1207.000 1326.278

Detalle:

  • Con mutate_at() aplicamos a las columnas V1 a la V5 (vars(V1:V5)) la función sort (funs(sort))
  • Luego simplemente nos quedamos con las top_n() observaciones dónde n sería el 2% (nrow(.)*.02)

Nota: incluso es más simple en el caso que quieras aplicar el sort sobre todas las columnas:

df %>% 
    mutate_all(sort) %>% 
    top_n(nrow(.)*.02)
1
  • Gracias Patricio, muy útil y sencilla tu sugerencia también. Lo único que hecho en falta es la partecita de ver el rango de valores de ese 2%.
    – Caro
    el 11 sep. 2019 a las 7:23

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.