powershell - 在 PowerShell 中查找数据集的统计模式

Question

这个 self 回答的问题是 this question 的后续问题:

如何确定给定数据集(数组)的 statistical mode ，即最常出现的一个值或一组值？

例如，在数组 1, 2, 2, 3, 4, 4, 5 中有两种模式，2 和 4 ，因为它们是出现频率最高的值。

Answer 1

结合使用 Group-Object、Sort-Object 和 do ... while 循环:

# Sample dataset.
$dataset = 1, 2, 2, 3, 4, 4, 5

# Group the same numbers and sort the groups by member count, highest counts first.
$groups = $dataset | Group-Object | Sort-Object Count -Descending

# Output only the numbers represented by those groups that have 
# the highest member count.
$i = 0
do { $groups[$i].Group[0] } while ($groups[++$i].Count -eq $groups[0].Count)

上面的结果是 2 和 4，这是两种模式(出现频率最高的值，在本例中各出现两次)，按升序排序(因为 Group-Object按照分组标准进行排序，Sort-Object的排序算法是稳定的。

注意:虽然此解决方案在概念上很简单，但大型数据集的性能可能是一个问题；请参阅底部部分，了解针对某些输入可能进行的优化。

解释:

• Group-Object按相等性对所有输入进行分组。

• Sort-Object -Descending按成员计数以降序方式对结果组进行排序(最常出现的输入排在最前面)。

• do ... while 语句循环排序组并输出每个组代表的输入，只要组成员因此出现次数(频率)最高，正如第一组的成员数所暗示的那样。

---

性能更好的解决方案，带有字符串和数字:

如果输入元素都是简单的数字或字符串(而不是复杂的对象)，则可以进行优化:

• Group-Object 的 -NoElement 禁止收集每个组中的各个输入。

• 每个组的 .Name 属性反射(reflect)了分组值，但作为一个字符串，因此必须将其转换回其原始数据类型。

# Sample dataset.
# Must be composed of all numbers or strings.
$dataset = 1, 2, 2, 3, 4, 4, 5

# Determine the data type of the elements of the dataset via its first element.
# All elements are assumed to be of the same type.
$type = $dataset[0].GetType()

# Group the same numbers and sort the groups by member count, highest counts first.
$groups = $dataset | Group-Object -NoElement | Sort-Object Count -Descending

# Output only the numbers represented by those groups that have 
# the highest member count.
# -as $type converts the .Name string value back to the original type.
$i = 0
do { $groups[$i].Name -as $type } while ($groups[++$i].Count -eq $groups[0].Count)