R语言按列分组获取每组最常见因子的高效实现方法

针对你需要按列a分组、提取每组中因子b最常见值的需求，以下是几种高效的解决方案，比自定义mode函数性能更优：

方案1：dplyr + count + slice_max #

利用dplyr的分组计数和取最大值操作，底层经过优化，适合大多数场景：

library(tidyverse)

# 示例数据
df <- tibble(a = c(1,1,1,2,2,2), b = factor(c('cat', 'dog', 'cat', 'cat', 'dog', 'dog')))

df %>%
  # 按a、b分组统计频次
  count(a, b, name = "freq") %>%
  # 每组取频次最高的行
  slice_max(n = 1, order_by = freq, .by = a) %>%
  # 保留需要的列
  select(a, b)

输出结果：

方案2：data.table（超大数据集首选） #

data.table的操作在处理百万级以上数据时速度优势明显：

library(data.table)

setDT(df)
df[, .N, by = .(a, b)][, .SD[which.max(N)], by = a][, -"N"]

逻辑是先按a和b计数，再每组筛选计数最大的行，最后移除计数列。

方案3：dplyr + forcats::fct_count #

针对因子类型的列，forcats包的fct_count可以直接统计因子水平的频次并排序，代码更简洁：

library(forcats)

df %>%
  reframe(
    # 取频次最高的第一个因子水平
    b = fct_count(b, sort = TRUE)[[1]][1],
    .by = a
  )

为什么自定义mode函数效率低？ #

自定义mode函数通常依赖循环、apply系列函数或者逐组遍历，这类操作属于非向量化处理，在数据量较大时，远不如dplyr、data.table的底层向量化优化操作高效。

内容的提问来源于stack exchange，提问作者at.