R에서, mean()그리고 median()당신이 기대하는 일을 표준 기능은 다음과 같습니다. mode()인수에서 가장 많이 발생하는 값이 아니라 객체의 내부 저장 모드를 알려줍니다. 그러나 벡터 (또는 목록)에 대한 통계 모드를 구현하는 표준 라이브러리 함수가 있습니까?

숫자 및 문자 / 인자 데이터 모두에 사용할 수있는 또 하나의 솔루션 :

Mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

내 작은 작은 기계에서 약 0.5 초 안에 10M 정수 벡터의 모드를 생성하고 찾을 수 있습니다.

데이터 세트에 여러 모드가있을 수있는 경우 위의 솔루션은과 동일한 접근 방식을 취하고 모드 세트의 첫 번째 나타나는 값을 which.max리턴합니다 . 모든 모드 를 반환하려면 주석의 @digEmAll에서이 변형을 사용하십시오.

Modes <- function(x) {
  ux <- unique(x)
  tab <- tabulate(match(x, ux))
  ux[tab == max(tab)]
}

modeest단 변량 단봉 형 (때로는 다중 모드) 데이터의 모드와 일반적인 확률 분포 모드의 값을 추정 할 수있는 패키지가 있습니다 .

mySamples <- c(19, 4, 5, 7, 29, 19, 29, 13, 25, 19)

library(modeest)
mlv(mySamples, method = "mfv")

Mode (most likely value): 19 
Bickel's modal skewness: -0.1 
Call: mlv.default(x = mySamples, method = "mfv")

자세한 내용은 이 페이지를 참조 하십시오

r 메일 링리스트에서이 정보를 찾았 으면 도움이 되길 바랍니다. 어쨌든 내가 생각했던 것이기도합니다. 데이터를 table ()하고 정렬 한 다음 이름을 선택합니다. 그것은 hackish이지만 작동해야합니다.

names(sort(-table(x)))[1]

위의 Ken Williams 게시물이 훌륭하다는 것을 알았고 NA 값을 설명하기 위해 몇 줄을 추가하여 쉽게 사용할 수 있도록 만들었습니다.

Mode <- function(x, na.rm = FALSE) {
  if(na.rm){
    x = x[!is.na(x)]
  }

  ux <- unique(x)
  return(ux[which.max(tabulate(match(x, ux)))])
}

연속 일 변량 분포 (예를 들어 정규 분포)에서 나온 것으로 생각되는 숫자 벡터의 모드를 추정하는 빠르고 더러운 방법은 다음 함수를 정의하고 사용하는 것입니다.

estimate_mode <- function(x) {
  d <- density(x)
  d$x[which.max(d$y)]
}

그런 다음 모드 추정치를 얻으려면 다음을 수행하십시오.

x <- c(5.8, 5.6, 6.2, 4.1, 4.9, 2.4, 3.9, 1.8, 5.7, 3.2)
estimate_mode(x)
## 5.439788

다음 기능은 세 가지 형태로 제공됩니다.

method = "mode"[default] : 단봉 벡터의 모드를 계산합니다. 그렇지 않으면 NA
메서드를 반환합니다. = "nmodes": 벡터
방식 의 모드 수를 계산합니다. = "modes": 단봉 또는 다 봉형에 대한 모든 모드를 나열합니다. 벡터

modeav <- function (x, method = "mode", na.rm = FALSE)
{
  x <- unlist(x)
  if (na.rm)
    x <- x[!is.na(x)]
  u <- unique(x)
  n <- length(u)
  #get frequencies of each of the unique values in the vector
  frequencies <- rep(0, n)
  for (i in seq_len(n)) {
    if (is.na(u[i])) {
      frequencies[i] <- sum(is.na(x))
    }
    else {
      frequencies[i] <- sum(x == u[i], na.rm = TRUE)
    }
  }
  #mode if a unimodal vector, else NA
  if (method == "mode" | is.na(method) | method == "")
  {return(ifelse(length(frequencies[frequencies==max(frequencies)])>1,NA,u[which.max(frequencies)]))}
  #number of modes
  if(method == "nmode" | method == "nmodes")
  {return(length(frequencies[frequencies==max(frequencies)]))}
  #list of all modes
  if (method == "modes" | method == "modevalues")
  {return(u[which(frequencies==max(frequencies), arr.ind = FALSE, useNames = FALSE)])}  
  #error trap the method
  warning("Warning: method not recognised.  Valid methods are 'mode' [default], 'nmodes' and 'modes'")
  return()
}

또 다른 해결책은 다음과 같습니다.

freq <- tapply(mySamples,mySamples,length)
#or freq <- table(mySamples)
as.numeric(names(freq)[which.max(freq)])

아직 투표를 할 수 없지만 Rasmus Bååth의 답변은 제가 찾던 것입니다. 그러나 0과 1 사이의 값을 예로 들어 배포를 금하도록 약간 수정합니다.

estimate_mode <- function(x,from=min(x), to=max(x)) {
  d <- density(x, from=from, to=to)
  d$x[which.max(d$y)]
}

배포를 전혀 제한하지 않으려면 =- "BIG NUMBER"에서 = "BIG NUMBER"로 설정하십시오.

선택적 매개 변수 na.rm및을 추가하여 Ken Williams의 답변을 약간 수정했습니다 return_multiple.

에 의존하는 답변과 달리이 names()답변은의 데이터 유형을 x반환 된 값으로 유지합니다 .

stat_mode <- function(x, return_multiple = TRUE, na.rm = FALSE) {
  if(na.rm){
    x <- na.omit(x)
  }
  ux <- unique(x)
  freq <- tabulate(match(x, ux))
  mode_loc <- if(return_multiple) which(freq==max(freq)) else which.max(freq)
  return(ux[mode_loc])
}

선택적 params와 함께 작동하고 데이터 유형을 유지함을 표시하려면 다음을 수행하십시오.

foo <- c(2L, 2L, 3L, 4L, 4L, 5L, NA, NA)
bar <- c('mouse','mouse','dog','cat','cat','bird',NA,NA)

str(stat_mode(foo)) # int [1:3] 2 4 NA
str(stat_mode(bar)) # chr [1:3] "mouse" "cat" NA
str(stat_mode(bar, na.rm=T)) # chr [1:2] "mouse" "cat"
str(stat_mode(bar, return_mult=F, na.rm=T)) # chr "mouse"

단순화를 위해 @Frank에게 감사합니다.

모드를 생성하기 위해 다음 코드를 작성했습니다.

MODE <- function(dataframe){
    DF <- as.data.frame(dataframe)

    MODE2 <- function(x){      
        if (is.numeric(x) == FALSE){
            df <- as.data.frame(table(x))  
            df <- df[order(df$Freq), ]         
            m <- max(df$Freq)        
            MODE1 <- as.vector(as.character(subset(df, Freq == m)[, 1]))

            if (sum(df$Freq)/length(df$Freq)==1){
                warning("No Mode: Frequency of all values is 1", call. = FALSE)
            }else{
                return(MODE1)
            }

        }else{ 
            df <- as.data.frame(table(x))  
            df <- df[order(df$Freq), ]         
            m <- max(df$Freq)        
            MODE1 <- as.vector(as.numeric(as.character(subset(df, Freq == m)[, 1])))

            if (sum(df$Freq)/length(df$Freq)==1){
                warning("No Mode: Frequency of all values is 1", call. = FALSE)
            }else{
                return(MODE1)
            }
        }
    }

    return(as.vector(lapply(DF, MODE2)))
}

해 보자:

MODE(mtcars)
MODE(CO2)
MODE(ToothGrowth)
MODE(InsectSprays)

@Chris의 기능을 기반으로 모드 또는 관련 메트릭을 계산하지만 Ken Williams의 방법을 사용하여 주파수를 계산합니다. 이것은 모드가 전혀없는 경우 (모든 요소가 똑같이 자주 발생하는 경우) 및 더 읽기 쉬운 method이름을 수정합니다.

Mode <- function(x, method = "one", na.rm = FALSE) {
  x <- unlist(x)
  if (na.rm) {
    x <- x[!is.na(x)]
  }

  # Get unique values
  ux <- unique(x)
  n <- length(ux)

  # Get frequencies of all unique values
  frequencies <- tabulate(match(x, ux))
  modes <- frequencies == max(frequencies)

  # Determine number of modes
  nmodes <- sum(modes)
  nmodes <- ifelse(nmodes==n, 0L, nmodes)

  if (method %in% c("one", "mode", "") | is.na(method)) {
    # Return NA if not exactly one mode, else return the mode
    if (nmodes != 1) {
      return(NA)
    } else {
      return(ux[which(modes)])
    }
  } else if (method %in% c("n", "nmodes")) {
    # Return the number of modes
    return(nmodes)
  } else if (method %in% c("all", "modes")) {
    # Return NA if no modes exist, else return all modes
    if (nmodes > 0) {
      return(ux[which(modes)])
    } else {
      return(NA)
    }
  }
  warning("Warning: method not recognised.  Valid methods are 'one'/'mode' [default], 'n'/'nmodes' and 'all'/'modes'")
}

Ken의 방법을 사용하여 주파수를 계산하기 때문에 성능도 최적화되었으므로 AkselA의 게시물을 사용하여 이전 답변 중 일부를 벤치마킹하여 내 기능이 Ken의 성능에 얼마나 근접한지를 보여주었습니다. 다양한 출력 옵션에 대한 조건은 약간의 오버 헤드 만 발생시킵니다.

이 핵은 잘 작동합니다. 모드 카운트뿐만 아니라 값을 제공합니다.

Mode <- function(x){
a = table(x) # x is a vector
return(a[which.max(a)])
}

R에는 애드온 패키지가 너무 많아 일부는 숫자 목록 / 계열 / 벡터의 [통계] 모드를 제공 할 수 있습니다.

그러나 R 자체의 표준 라이브러리에는 그러한 내장 방법이없는 것 같습니다! 이 문제를 해결하는 한 가지 방법은 다음과 같은 일부 구문을 사용하는 것입니다 (그리고 자주 사용하는 경우 이것을 함수로 설정하는 것입니다).

mySamples <- c(19, 4, 5, 7, 29, 19, 29, 13, 25, 19)
tabSmpl<-tabulate(mySamples)
SmplMode<-which(tabSmpl== max(tabSmpl))
if(sum(tabSmpl == max(tabSmpl))>1) SmplMode<-NA
> SmplMode
[1] 19

더 큰 샘플 목록을 보려면 max (tabSmpl) 값에 임시 변수를 사용하는 것이 좋습니다 (R이 자동으로 이것을 최적화한다는 것을 모르겠습니다)

참조 : "중간 및 모드는 어떻습니까?"를 참조하십시오. 이 킥 스타트 R 레슨에서
이것은 (적어도이 레슨을 쓰는 시점에서) R에 모드 함수가 없다는 것을 확인하는 것 같습니다 ).

이것은 꽤 잘 작동합니다

> a<-c(1,1,2,2,3,3,4,4,5)
> names(table(a))[table(a)==max(table(a))]

모드를 찾는 기능은 다음과 같습니다.

mode <- function(x) {
  unique_val <- unique(x)
  counts <- vector()
  for (i in 1:length(unique_val)) {
    counts[i] <- length(which(x==unique_val[i]))
  }
  position <- c(which(counts==max(counts)))
  if (mean(counts)==max(counts)) 
    mode_x <- 'Mode does not exist'
  else 
    mode_x <- unique_val[position]
  return(mode_x)
}

다음은 R에서 벡터 변수의 모드를 찾는 데 사용할 수있는 코드입니다.

a <- table([vector])

names(a[a==max(a)])

이 솔루션에는 여러 가지 솔루션이 제공됩니다. 나는 첫 번째를 확인한 후 내 자신을 썼다. 도움이된다면 여기에 게시하십시오.

Mode <- function(x){
  y <- data.frame(table(x))
  y[y$Freq == max(y$Freq),1]
}

몇 가지 예를 통해 테스트 해 보겠습니다. 내가 복용하고 iris데이터 세트를. 숫자 데이터로 테스트 할 수 있습니다

> Mode(iris$Sepal.Length)
[1] 5

확인할 수 있습니다.

이제 홍채 데이터 세트 (종)의 숫자가 아닌 유일한 필드에는 모드가 없습니다. 우리 자신의 예제로 테스트합시다

> test <- c("red","red","green","blue","red")
> Mode(test)
[1] red

편집하다

주석에서 언급했듯이 사용자는 입력 유형을 유지하려고 할 수 있습니다. 이 경우 모드 기능을 다음과 같이 수정할 수 있습니다.

Mode <- function(x){
  y <- data.frame(table(x))
  z <- y[y$Freq == max(y$Freq),1]
  as(as.character(z),class(x))
}

함수의 마지막 줄은 최종 모드 값을 원래 입력 유형으로 강제 변환합니다.

밀도 () 함수를 사용하여 (연속적인) 분포의 평활화 된 최대 값을 식별합니다.

function(x) density(x, 2)$x[density(x, 2)$y == max(density(x, 2)$y)]

여기서 x는 데이터 수집입니다. 스무딩을 조절하는 밀도 함수 의 조정 파레 미터에 주의 하십시오.

Ken Williams의 간단한 기능을 좋아하지만 여러 모드가 있으면 검색하고 싶습니다. 이를 염두에두고, 다음 함수를 사용하면 다중 또는 단일 인 경우 모드 목록을 반환합니다.

rmode <- function(x) {
  x <- sort(x)  
  u <- unique(x)
  y <- lapply(u, function(y) length(x[x==y]))
  u[which( unlist(y) == max(unlist(y)) )]
} 

나는이 모든 옵션들을 살펴보면서 그들의 상대적인 특징과 성능에 대해 궁금해하기 시작했고, 몇 가지 테스트를했습니다. 다른 사람이 같은 것에 대해 궁금한 경우 여기에서 내 결과를 공유하고 있습니다.

여기에 게시 된 모든 함수를 신경 쓰지 않고 몇 가지 기준에 따라 샘플에 중점을 두었습니다. 함수는 문자, 요소, 논리 및 숫자 벡터 모두에서 작동해야하며 NA 및 기타 문제가있는 값을 적절하게 처리해야합니다. 그리고 출력은 '감각적'이어야합니다. 즉, 문자 나 다른 그런 어리 석음과 같은 숫자가 없어야합니다.

또한 rle더 일반적인 용도로 개조 된 것을 제외하고 chrispy 와 동일한 아이디어를 기반으로하는 내 자신의 기능을 추가했습니다 .

library(magrittr)

Aksel <- function(x, freq=FALSE) {
    z <- 2
    if (freq) z <- 1:2
    run <- x %>% as.vector %>% sort %>% rle %>% unclass %>% data.frame
    colnames(run) <- c("freq", "value")
    run[which(run$freq==max(run$freq)), z] %>% as.vector   
}

set.seed(2)

F <- sample(c("yes", "no", "maybe", NA), 10, replace=TRUE) %>% factor
Aksel(F)

# [1] maybe yes  

C <- sample(c("Steve", "Jane", "Jonas", "Petra"), 20, replace=TRUE)
Aksel(C, freq=TRUE)

# freq value
#    7 Steve

나는 두 세트의 테스트 데이터에서 5 개의 기능을 실행했습니다 microbenchmark. 함수 이름은 해당 저자를 나타냅니다.

크리스 '기능으로 설정 method="modes"하고na.rm=TRUE 기본적으로 그 저자에 의해 여기에 제시된 기능이 사용 된 것보다하는 것이 더 비교하지만, 다른 만들 수 있습니다.

속도만으로도 Kens 버전이 손에 win지만, 실제로는 몇 개가 있더라도 하나의 모드 만보고하는 것도 유일한 방법입니다. 종종 그렇듯이 속도와 다양성 사이에는 절충점이 있습니다. 에서 method="mode"하나 개의 모드, 다른 NA가 IFF에, 크리스 '버전은 값을 반환합니다. 나는 그것이 좋은 터치라고 생각합니다. 또한 일부 기능이 고유 값의 수 증가에 의해 어떻게 영향을 받는지 흥미로운 반면 다른 기능은 그다지 많지 않습니다. 논리 / 숫자를 원인으로 제거하는 것 외에 그 이유를 파악하기 위해 코드를 자세히 연구하지 않았습니다.

모든 상황에서 모드가 유용한 것은 아닙니다. 따라서 기능은이 상황을 해결해야합니다. 다음 기능을 시도하십시오.

Mode <- function(v) {
  # checking unique numbers in the input
  uniqv <- unique(v)
  # frquency of most occured value in the input data
  m1 <- max(tabulate(match(v, uniqv)))
  n <- length(tabulate(match(v, uniqv)))
  # if all elements are same
  same_val_check <- all(diff(v) == 0)
  if(same_val_check == F){
    # frquency of second most occured value in the input data
    m2 <- sort(tabulate(match(v, uniqv)),partial=n-1)[n-1]
    if (m1 != m2) {
      # Returning the most repeated value
      mode <- uniqv[which.max(tabulate(match(v, uniqv)))]
    } else{
      mode <- "Two or more values have same frequency. So mode can't be calculated."
    }
  } else {
    # if all elements are same
    mode <- unique(v)
  }
  return(mode)
}

산출,

x1 <- c(1,2,3,3,3,4,5)
Mode(x1)
# [1] 3

x2 <- c(1,2,3,4,5)
Mode(x2)
# [1] "Two or more varibles have same frequency. So mode can't be calculated."

x3 <- c(1,1,2,3,3,4,5)
Mode(x3)
# [1] "Two or more values have same frequency. So mode can't be calculated."

이것은 매우 짧은 벡터의 속도를 높여서 jprockbelly의 답변을 기반으로합니다. 이는 많은 소그룹으로 data.frame 또는 datatable에 모드를 적용 할 때 유용합니다.

Mode <- function(x) {
   if ( length(x) <= 2 ) return(x[1])
   if ( anyNA(x) ) x = x[!is.na(x)]
   ux <- unique(x)
   ux[which.max(tabulate(match(x, ux)))]
}

빈도별로 정렬 된 모든 값을 제공하는 또 다른 간단한 옵션은 다음을 사용하는 것입니다 rle.

df = as.data.frame(unclass(rle(sort(mySamples))))
df = df[order(-df$lengths),]
head(df)

또 다른 가능한 해결책 :

Mode <- function(x) {
    if (is.numeric(x)) {
        x_table <- table(x)
        return(as.numeric(names(x_table)[which.max(x_table)]))
    }
}

용법:

set.seed(100)
v <- sample(x = 1:100, size = 1000000, replace = TRUE)
system.time(Mode(v))

산출:

   user  system elapsed 
   0.32    0.00    0.31 

나는 당신의 관찰이 케이스 클래스 에서 실제 번호 와 당신이 기대 모드가 당신의 관찰 2, 2, 3, 3은 다음과 모드를 추정 할 수있는 경우 2.5 할 mode = l1 + i * (f1-f0) / (2f1 - f0 - f2)경우 L1 가장 빈번한 클래스의 ..lower 제한, F1을 . . 가장 빈번한 클래스의 빈도, f0 .. 가장 빈번한 클래스 이전의 클래스 빈도, f2 .. 가장 빈번한 클래스 이후의 클래스 빈도 및 i .. 1 , 2 , 3 에 주어진 클래스 간격 :

#Small Example
x <- c(2,2,3,3) #Observations
i <- 1          #Class interval

z <- hist(x, breaks = seq(min(x)-1.5*i, max(x)+1.5*i, i), plot=F) #Calculate frequency of classes
mf <- which.max(z$counts)   #index of most frequent class
zc <- z$counts
z$breaks[mf] + i * (zc[mf] - zc[mf-1]) / (2*zc[mf] - zc[mf-1] - zc[mf+1])  #gives you the mode of 2.5


#Larger Example
set.seed(0)
i <- 5          #Class interval
x <- round(rnorm(100,mean=100,sd=10)/i)*i #Observations

z <- hist(x, breaks = seq(min(x)-1.5*i, max(x)+1.5*i, i), plot=F)
mf <- which.max(z$counts)
zc <- z$counts
z$breaks[mf] + i * (zc[mf] - zc[mf-1]) / (2*zc[mf] - zc[mf-1] - zc[mf+1])  #gives you the mode of 99.5

당신이 원하는 경우에 가장 빈번한 레벨 가장 빈번한 레벨 을 두 개 이상 보유한 과 같이 모든 레벨을 얻을 수 있습니다.

x <- c(2,2,3,5,5)
names(which(max(table(x))==table(x)))
#"2" "5"

가능한 data.table 접근법 추가

library(data.table)
#for single mode
dtmode <- function(x) x[which.max(data.table::rowid(x))]

#for multiple modes
dtmodes <- function(x) x[{r <- rowid(x); r==max(r)}]

Theta (N) 실행 시간에 할 수있는 몇 가지 방법이 있습니다.

from collections import defaultdict

def mode1(L):
    counts = defaultdict(int)
    for v in L:
        counts[v] += 1
    return max(counts,key=lambda x:counts[x])

def mode2(L):
    vals = set(L)
    return max(vals,key=lambda x: L.count(x))

def mode3(L):
    return max(set(L), key=lambda x: L.count(x))

다음 기능을 시도 할 수 있습니다.

1. 숫자 값을 인수로 변환
2. frequency 테이블을 얻으려면 summary ()를 사용하십시오.
3. 주파수가 가장 큰 인덱스를 반환 모드
4. 하나 이상의 모드가 있더라도 변환 계수를 다시 숫자로 변환하면이 기능이 제대로 작동합니다!

mode <- function(x){
  y <- as.factor(x)
  freq <- summary(y)
  mode <- names(freq)[freq[names(freq)] == max(freq)]
  as.numeric(mode)
}

계산 모드는 주로 요인 변수의 경우 사용할 수 있습니다

labels(table(HouseVotes84$V1)[as.numeric(labels(max(table(HouseVotes84$V1))))])

HouseVotes84는 'mlbench'패키지로 제공되는 데이터 세트입니다.

최대 레이블 값을 제공합니다. 함수를 작성하지 않고 내장 함수 자체로 사용하기가 더 쉽습니다.

컬렉션에 모드가있는 경우 해당 요소를 자연수와 일대일로 매핑 할 수있는 것 같습니다. 따라서 모드를 찾는 문제는 이러한 매핑을 생성하고 매핑 된 값의 모드를 찾은 다음 컬렉션의 일부 항목에 다시 매핑하는 것으로 줄어 듭니다. ( NA매핑 단계에서 처리 ).

histogram비슷한 주체에서 작동 하는 기능이 있습니다. (여기에 제시된 코드에 사용 된 특수 기능과 연산자는 Shapiro 및 / 또는 neatOveRse에 정의되어야합니다 . 여기에 복제 된 Shapiro 및 neatOveRse 부분은 허가를 받아 복제 된 것이므로 중복 된 스 니펫은이 사이트의 조건에 따라 사용될 수 있습니다. ) R의 의사 코드 에 대한 histogramIS

.histogram <- function (i)
        if (i %|% is.empty) integer() else
        vapply2(i %|% max %|% seqN, `==` %<=% i %O% sum)

histogram <- function(i) i %|% rmna %|% .histogram

(특수 이진 연산자는 pipeing , currying 및 composition을 달성합니다 ) 또한 maxloc비슷한 함수를 가지고 which.max있지만 벡터의 절대 최대 값을 모두 반환 합니다 . R의 의사 에 대한 maxlocIS

FUNloc <- function (FUN, x, na.rm=F)
        which(x == list(identity, rmna)[[na.rm %|% index.b]](x) %|% FUN)

maxloc <- FUNloc %<=% max

minloc <- FUNloc %<=% min # I'M THROWING IN minloc TO EXPLAIN WHY I MADE FUNloc

그때

imode <- histogram %O% maxloc

과

x %|% map %|% imode %|% unmap

적절한 map-ping 및 unmap-ping 기능이 정의 된 경우 모든 콜렉션의 모드를 계산합니다 .