在R中对数据框多列排序时剔除极端值的技术问题

一、解决多列排序“无效”问题 #

你尝试的多列排序代码本身都是有效的，问题出在没有将排序结果赋值给变量——运行排序代码后只是临时输出结果，原mydf并没有被修改。只要把排序结果保存到新变量（或覆盖原变量）即可：

# 方法1：基础R简洁写法
mydf_sorted <- mydf[order(mydf$A, mydf$B),]

# 方法2：用with简化代码
mydf_sorted <- with(mydf, mydf[order(A, B),])

# 方法3：plyr包的arrange，同样要赋值
mydf_sorted <- plyr::arrange(mydf, A, B)

排序后的结果为：

A    B
1  1   45
2  2  789
3  9 1345
4 40   12
5 55  112

二、纠正筛选逻辑 #

你用order(mydf$A) < th的筛选逻辑是错误的：order()返回的是排序后的索引位置，和th比较无法正确按“保留数量”筛选。正确的做法是排序后取前floor(th)（向下取整）或round(th)（四舍五入）行：

# 按计算的th保留对应数量，这里floor(4.75)=4，保留前4行
mydf_filtered <- mydf_sorted[1:floor(th),]

三、tidyverse框架最优实现 #

用dplyr的链式操作可以让逻辑更清晰，甚至不需要手动计算th：

library(dplyr)

# 方案1：手动指定保留数量
mydf_filtered <- mydf %>%
  arrange(A, B) %>%  # 按A、B升序排序
  slice_head(n = floor(th))  # 保留前floor(th)行

# 方案2：直接按比例保留，无需计算th，更直观
mydf_filtered <- mydf %>%
  arrange(A, B) %>%
  slice_head(prop = 0.95)  # 保留95%的观测

slice_head(prop=0.95)会自动计算保留行数，5行数据下会保留4行，结果和基础R方法一致。

四、关于“极端值”的补充说明 #

如果你的“极端值”是指多列综合的极端情况（比如A+B的最大值），可以调整排序逻辑：

# 按A+B升序排序，剔除最大的5%
mydf_filtered <- mydf %>%
  arrange(A + B) %>%
  slice_head(prop = 0.95)

如果是要剔除每列的单独极端值（比如A列的top5%、B列的top5%），可以用分位数筛选：

mydf_filtered <- mydf %>%
  filter(A < quantile(A, 0.95), B < quantile(B, 0.95))

注意这种方法可能剔除的观测数超过5%，需根据实际需求选择。

内容的提问来源于stack exchange，提问作者LT17