重命名分类级别以减少级别数

Question

我有一个分类列，它在大约 78000 条记录的数据集中有大约 1200 个级别。我想根据发生次数降低级别。例如。 -:

• 所有出现次数超过 2000 次的级别都重命名为“A”。
• 所有级别出现次数超过 1000 次但少于 2000 次重命名为“B”
• 所有级别出现次数超过 900 次但少于 1000 次重命名为“C”

等等。

我不想将不常出现的关卡分组到“其他”中，因为它会隐藏很多重要的关卡。
以下是数据框示例。

df=data.frame(
  ID = c(1:10),
  Name = c("Jack", "Mike","Jack", "Mike","Jack", "Mike", "Tom", "Tom", "Smith", "Tony")
)

在这里，我想通过以下方式降低“名称”列的级别:

• 将出现次数 >=3 的所有级别重命名为“A”
• 重命名所有级别 >=2 但 <3 次为“B”
• 将出现 <2 次的所有级别重命名为“C”

有人可以帮我用 R 做吗？

Answer 1

我们可以使用 add_count 来计算 Name 的实例，然后使用 case_when 检查条件

library(dplyr)

df %>% 
  add_count(Name) %>%
  mutate(NewName = case_when(n >= 3 ~'A', 
                             n >= 2 & n < 3 ~'B', 
                             TRUE ~'C')) %>%
  select(-n, -Name)

#     ID NewName
#   <int> <chr>  
# 1     1 A      
# 2     2 A      
# 3     3 A      
# 4     4 A      
# 5     5 A      
# 6     6 A      
# 7     7 B      
# 8     8 B      
# 9     9 C      
#10    10 C