基于分组权重保留TOP4因子：求更简洁的R实现方案

我有一个tibble数据集，其中x列为字符向量（本质为因子类型），每个因子重复出现且对应数值列w。希望保留按w列总和排序的前4个因子，将其余因子替换为"other"。目前已实现需求，但想寻求更简洁的处理方法（例如使用forcats包）。

原实现代码：

library(tidyverse)

df <- tibble(x=rep(letters[1:10], 10), w=seq(100))

# 提取按w总和排序的前4个因子
ff <- df |>
    group_by(x) |>
    summarise(w_tot=sum(w)) |>
    ungroup() |>
    arrange(desc(w_tot)) |>
    slice(1:4) |>
    pull(x)

# 重编码数据
df_new <- df |>
    mutate(x=if_else(x %in% ff, x, "other"))

利用forcats包中的fct_reorder()和fct_lump_n()函数，可以一步完成需求，无需单独提取目标因子：

library(tidyverse)

df <- tibble(x=rep(letters[1:10], 10), w=seq(100))

df_new <- df |>
  mutate(
    x = fct_lump_n(
      fct_reorder(x, w, sum, .desc = TRUE),
      n = 4,
      other_level = "other"
    )
  )

# 查看结果
df_new
#> # A tibble: 100 × 2
#>    x         w
#>    <fct> <int>
#>  1 other     1
#>  2 other     2
#>  3 other     3
#>  4 other     4
#>  5 other     5
#>  6 other     6
#>  7 g         7
#>  8 h         8
#>  9 i         9
#> 10 j        10
#> # … with 90 more rows

代码解释 #

• fct_reorder(x, w, sum, .desc = TRUE)：以每个x对应的w列总和为依据，对x的因子水平进行降序重排，确保总和最高的因子排在最前面
• fct_lump_n(..., n = 4, other_level = "other")：保留重排后的前4个因子水平，将其余所有水平统一替换为"other"

这种方法直接在mutate()中完成所有逻辑，省去了单独提取目标因子的中间步骤，代码更紧凑且可读性强。

内容的提问来源于stack exchange，提问作者larry77