ใน R mean()และmedian()เป็นฟังก์ชั่นมาตรฐานที่ทำในสิ่งที่คุณคาดหวัง mode()บอกโหมดการเก็บข้อมูลภายในของวัตถุไม่ใช่ค่าที่เกิดขึ้นมากที่สุดในการโต้แย้ง แต่มีฟังก์ชันไลบรารีมาตรฐานที่ใช้โหมดสถิติสำหรับเวกเตอร์ (หรือรายการ) หรือไม่?

อีกหนึ่งโซลูชันที่ใช้งานได้ทั้งข้อมูลตัวเลขและตัวละคร / ปัจจัย:

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

บนเครื่องเล็ก ๆ น้อย ๆ ของฉันที่สามารถสร้าง & หาโหมดของเวกเตอร์จำนวนเต็ม 10M ในเวลาประมาณครึ่งวินาที

หากชุดข้อมูลของคุณอาจมีหลายโหมดการแก้ปัญหาข้างต้นใช้แนวทางเดียวกับwhich.maxและส่งกลับค่าที่ปรากฏครั้งแรกของชุดโหมด หากต้องการส่งคืนโหมดทั้งหมดให้ใช้ตัวแปรนี้ (จาก @digEmAll ในความคิดเห็น):

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

มีแพ็กเกจmodeestที่ให้การประมาณค่าของโหมด univariate unimodal (และบางครั้งต่อเนื่อง) ข้อมูลและค่าของโหมดของการแจกแจงความน่าจะเป็นปกติ

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")

สำหรับข้อมูลเพิ่มเติมดูหน้านี้

พบสิ่งนี้ในรายการส่งเมล r หวังว่าจะเป็นประโยชน์ มันเป็นสิ่งที่ฉันคิดอยู่แล้ว คุณจะต้องการตาราง () ข้อมูลเรียงลำดับแล้วเลือกชื่อ มันแฮ็ก แต่ควรจะทำงาน

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

ฉันพบว่า Ken Williams โพสต์ด้านบนนั้นยอดเยี่ยมฉันเพิ่มสองสามบรรทัดเพื่ออธิบายค่า NA และทำให้มันเป็นฟังก์ชันเพื่อความสะดวก

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)))])
}

วิธีที่รวดเร็วและสกปรกในการประเมินโหมดของเวกเตอร์ของตัวเลขที่คุณเชื่อว่ามาจากการแจกแจงแบบไม่มีตัวแปรต่อเนื่อง (เช่นการแจกแจงแบบปกติ) กำลังกำหนดและใช้ฟังก์ชันต่อไปนี้:

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

จากนั้นจะได้รับการประเมินโหมด:

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

ฟังก์ชั่นต่อไปนี้มาในสามรูปแบบ:

method = "mode" [default]: คำนวณโหมดสำหรับเวกเตอร์ unimodal มิฉะนั้นจะคืนค่า NA
method = "nmodes": คำนวณจำนวนโหมดใน vector
method = "modes": แสดงรายการโหมดทั้งหมดสำหรับ unimodal หรือ polymodal เวกเตอร์

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()
}

ที่นี่วิธีแก้ปัญหาอื่น:

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

ฉันยังไม่สามารถลงคะแนนได้ แต่คำตอบของ Rasmus Bååthคือสิ่งที่ฉันกำลังมองหา อย่างไรก็ตามฉันจะแก้ไขมันเล็กน้อยเพื่อให้สามารถยับยั้งการกระจายตัวอย่างเช่นค่าเทียวไปๆมาระหว่าง 0 และ 1

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

เราทราบว่าคุณอาจไม่ต้องการ จำกัด การเผยแพร่ของคุณทั้งหมดจากนั้นตั้งค่าจาก = - "จำนวนมาก" เป็น = "จำนวนมาก"

การปรับเปลี่ยนเล็กน้อยในคำตอบของ Ken Williams เพิ่ม params ที่เป็นตัวเลือกna.rmและreturn_multipleและ

ต่างจากคำตอบที่ใช้names()คำตอบนี้รักษาประเภทข้อมูลของxในค่าที่ส่งคืน

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])
}

หากต้องการแสดงว่าทำงานได้กับ params ที่เป็นตัวเลือกและรักษาประเภทข้อมูล:

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"

ขอบคุณ @Frank สำหรับการทำให้เข้าใจง่าย

ฉันเขียนโค้ดต่อไปนี้เพื่อสร้างโหมด

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)))
}

มาลองดูกัน:

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

ใช้ฟังก์ชัน @ Chris เพื่อคำนวณโหมดหรือตัวชี้วัดที่เกี่ยวข้องอย่างไรก็ตามใช้วิธีของ Ken Williams ในการคำนวณความถี่ อันนี้ให้การแก้ไขสำหรับกรณีที่ไม่มีโหมดเลย (องค์ประกอบทั้งหมดบ่อยเท่ากัน) และmethodชื่อที่อ่านได้มากขึ้น

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'")
}

เนื่องจากใช้วิธีของ Ken ในการคำนวณความถี่ประสิทธิภาพจึงได้รับการปรับให้เหมาะสมที่สุดโดยใช้โพสต์ของ AkselA ฉันเปรียบเทียบมาตรฐานของคำตอบก่อนหน้านี้เพื่อแสดงว่าการทำงานของฉันใกล้เคียงกับประสิทธิภาพการทำงานของเคนอย่างไร

แฮ็คนี้ควรใช้งานได้ดี ให้คุณค่ารวมถึงจำนวนของโหมด:

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

R มีแพ็คเกจเสริมมากมายที่บางคนอาจให้โหมด [สถิติ] ของรายการตัวเลข / อนุกรม / เวกเตอร์

อย่างไรก็ตามไลบรารีมาตรฐานของ R เองนั้นดูเหมือนจะไม่มีวิธีการในตัว! วิธีหนึ่งในการแก้ไขปัญหานี้คือการใช้โครงสร้างบางอย่างดังต่อไปนี้ (และเปลี่ยนเป็นฟังก์ชันถ้าคุณใช้บ่อย ... ):

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

สำหรับรายการตัวอย่างขนาดใหญ่ควรพิจารณาใช้ตัวแปรชั่วคราวสำหรับค่า max (tabSmpl) (ฉันไม่รู้ว่า R จะปรับให้เหมาะสมโดยอัตโนมัติ)

การอ้างอิง: ดู "ค่ามัธยฐานและโหมดเป็นอย่างไร" ในบทเรียน KickStarting R
นี้ดูเหมือนว่าจะยืนยันว่า (อย่างน้อยในการเขียนบทเรียนนี้) ไม่มีฟังก์ชั่นโหมดใน R (ดี ... โหมด () ตามที่คุณค้นพบว่าถูกใช้เพื่อยืนยันประเภทของตัวแปร )

มันใช้งานได้ดี

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

นี่คือฟังก์ชั่นเพื่อค้นหาโหมด:

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)
}

ด้านล่างเป็นรหัสที่สามารถใช้เพื่อค้นหาโหมดของตัวแปรเวกเตอร์ใน R

a <- table([vector])

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

มีหลายวิธีแก้ไขสำหรับหนึ่งนี้ ฉันตรวจสอบครั้งแรกและหลังจากนั้นเขียนของฉันเอง โพสต์ไว้ที่นี่ถ้ามันช่วยใครได้:

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

ให้ทดสอบด้วยตัวอย่าง ฉันกำลังใช้irisชุดข้อมูล ให้ทดสอบด้วยข้อมูลตัวเลข

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

ซึ่งคุณสามารถตรวจสอบได้ถูกต้อง

ตอนนี้ฟิลด์ที่ไม่ใช่ตัวเลขเท่านั้นในชุดข้อมูล iris (Species) ไม่มีโหมด ลองทดสอบด้วยตัวอย่างของเราเอง

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

แก้ไข

ตามที่ระบุไว้ในความคิดเห็นผู้ใช้อาจต้องการรักษาประเภทอินพุต ในกรณีนี้ฟังก์ชันโหมดสามารถปรับเปลี่ยนเป็น:

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

บรรทัดสุดท้ายของฟังก์ชั่นจะทำการรวมค่าโหมดสุดท้ายกับประเภทของอินพุตต้นฉบับ

ฉันจะใช้ฟังก์ชั่นความหนาแน่น () เพื่อระบุการกระจายสูงสุดที่ราบรื่น (อาจต่อเนื่อง):

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

โดยที่ x คือการรวบรวมข้อมูล ให้ความสนใจกับการปรับ paremeter ของฟังก์ชั่นความหนาแน่นซึ่งควบคุมการปรับให้เรียบ

ในขณะที่ฉันชอบฟังก์ชั่นที่เรียบง่ายของ Ken Williams ฉันต้องการดึงหลาย ๆ โหมดหากมีอยู่ ด้วยความที่อยู่ในใจฉันใช้ฟังก์ชั่นต่อไปนี้ซึ่งจะคืนค่ารายการของโหมดถ้ามีหลายแบบหรือเดี่ยว

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)) )]
} 

ฉันกำลังดูตัวเลือกทั้งหมดเหล่านี้และเริ่มสงสัยเกี่ยวกับคุณสมบัติและการแสดงของพวกเขาดังนั้นฉันจึงทำการทดสอบบางอย่าง ในกรณีที่คนอื่นอยากรู้เกี่ยวกับเรื่องเดียวกันฉันแบ่งปันผลของฉันที่นี่

ไม่ต้องการยุ่งเกี่ยวกับฟังก์ชั่นทั้งหมดที่โพสต์ที่นี่ฉันเลือกที่จะมุ่งเน้นไปที่ตัวอย่างตามเกณฑ์ไม่กี่: ฟังก์ชั่นควรทำงานทั้งตัวละครปัจจัยตรรกะและเวกเตอร์ตัวเลขมันควรจัดการกับ NAs และค่าที่มีปัญหาอื่น ๆ อย่างเหมาะสม และผลลัพธ์ควรเป็น 'เหมาะสม' เช่นไม่มีตัวเลขเป็นตัวละครหรือความงี่เง่าอื่น ๆ

ฉันยังเพิ่มฟังก์ชั่นของตัวเองซึ่งขึ้นอยู่กับrleแนวคิดเดียวกันกับของ chrispy ยกเว้นดัดแปลงเพื่อการใช้งานทั่วไปมากขึ้น:

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

microbenchmarkฉันสิ้นสุดการทำงานห้าหน้าที่ในสองชุดของข้อมูลการทดสอบผ่าน ชื่อฟังก์ชั่นหมายถึงผู้เขียนที่เกี่ยวข้อง:

ฟังก์ชั่นของ Chris ได้รับการตั้งค่าเป็นmethod="modes"และna.rm=TRUEโดยค่าเริ่มต้นเพื่อให้สามารถเปรียบเทียบได้มากกว่า แต่นอกเหนือจากนั้นฟังก์ชั่นดังกล่าวถูกใช้โดยผู้เขียน

ในเรื่องของความเร็วเพียงอย่างเดียว Kens เวอร์ชั่นชนะได้อย่างคล่องแคล่ว แต่มันก็เป็นเพียงหนึ่งในนั้นที่จะรายงานเพียงโหมดเดียวไม่ว่าจะมีกี่คนก็ตาม บ่อยครั้งที่มีการแลกเปลี่ยนระหว่างความเร็วและความสามารถรอบตัว ในmethod="mode"เวอร์ชันของ Chris จะคืนค่าถ้ามีหนึ่งโหมดคือ NA ฉันคิดว่ามันเป็นสิ่งที่ดี ฉันยังคิดว่ามันน่าสนใจว่าฟังก์ชั่นบางอย่างได้รับผลกระทบจากการเพิ่มค่าที่ไม่ซ้ำใครในขณะที่บางฟังก์ชั่นนั้นไม่มาก ฉันยังไม่ได้ศึกษารายละเอียดของรหัสเพื่อหาสาเหตุที่นอกเหนือจากการกำจัดลอจิคัล / ตัวเลขเป็นสาเหตุ

โหมดไม่สามารถมีประโยชน์ในทุกสถานการณ์ ดังนั้นฟังก์ชั่นควรแก้ไขสถานการณ์นี้ ลองใช้ฟังก์ชั่นต่อไปนี้

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)
}

เอาท์พุท

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."

สิ่งนี้สร้างขึ้นจากคำตอบของ jprockbelly โดยการเพิ่มความเร็วสำหรับเวกเตอร์ที่สั้นมาก สิ่งนี้มีประโยชน์เมื่อใช้โหมดกับ data.frame หรือ datatable กับกลุ่มเล็ก ๆ จำนวนมาก:

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)))]
}

อีกตัวเลือกง่าย ๆ ที่ให้ค่าทั้งหมดเรียงลำดับตามความถี่คือการใช้rle:

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

ทางออกที่เป็นไปได้อื่น:

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

การใช้งาน:

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

เอาท์พุท:

   user  system elapsed 
   0.32    0.00    0.31 

ฉันกรณีการสังเกตของคุณจะเรียนจากตัวเลขจริงและคุณคาดหวังว่าโหมดจะเป็น 2.5 เมื่อสังเกตของคุณมี 2, 2, 3, และ 3 แล้วคุณสามารถประมาณการโหมดกับmode = l1 + i * (f1-f0) / (2f1 - f0 - f2)ที่l1วงเงิน ..lower ของชั้นที่พบบ่อยที่สุด, f1 .frequency ของคลาสที่บ่อยที่สุด, f0 ..frequency ของคลาสก่อนคลาสที่บ่อยที่สุด, f2 ..frequency ของคลาสหลังจากคลาสที่พบบ่อยที่สุดและi .. ช่วงเวลาคลาสตามที่กำหนดเช่นใน1 , 2 , 3 :

#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

ในกรณีที่คุณต้องการระดับที่บ่อยที่สุดและคุณมีระดับที่บ่อยที่สุดมากกว่าหนึ่งระดับคุณสามารถรับระดับทั้งหมดได้เช่น:

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

เพิ่มวิธี data.table ที่เป็นไปได้

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)}]

นี่คือหลายวิธีที่คุณสามารถทำได้ในเวลาใช้งาน Theta (N)

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))

ลองฟังก์ชั่นต่อไปนี้:

1. เปลี่ยนค่าตัวเลขให้เป็นปัจจัย
2. ใช้บทสรุป () เพื่อเพิ่มตารางความถี่
3. return mode ดัชนีที่มีความถี่มากที่สุด
4. เปลี่ยนปัจจัยกลับมาเป็นตัวเลขแม้จะมีมากกว่า 1 โหมดฟังก์ชั่นนี้ใช้งานได้ดี!

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

โหมดการคำนวณเป็นส่วนใหญ่ในกรณีของตัวแปรปัจจัยแล้วเราสามารถใช้

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

HouseVotes84 เป็นชุดข้อมูลที่มีอยู่ในแพ็คเกจ 'mlbench'

มันจะให้มูลค่าฉลากสูงสุด มันง่ายต่อการใช้งานโดยฟังก์ชั่น inbuilt เองโดยไม่ต้องเขียนฟังก์ชั่น

สำหรับฉันแล้วดูเหมือนว่าถ้าคอลเลกชันมีโหมดองค์ประกอบของมันสามารถแมปแบบหนึ่งต่อหนึ่งกับตัวเลขธรรมชาติ ดังนั้นปัญหาในการค้นหาโหมดลดการผลิตการทำแผนที่การค้นหาโหมดของค่าที่แมปแล้วแมปกลับไปที่บางรายการในคอลเลกชัน (การจัดการกับNAเกิดขึ้นที่ขั้นตอนการทำแผนที่)

ฉันมีhistogramฟังก์ชั่นที่ทำงานบนหลักการที่คล้ายกัน (ฟังก์ชั่นพิเศษและตัวดำเนินการที่ใช้ในรหัสที่แสดงในที่นี้ควรกำหนดไว้ในชาปิโรส์และ / หรือเดสก์ท็อปเรียบร้อยส่วนของชาปิโรส์และเดสก์ท็อปที่ซ้ำกันในที่นี้ซ้ำกันโดยได้รับอนุญาต ) R pseudocodeสำหรับhistogramคือ

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

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

(ผู้ประกอบการไบนารีพิเศษบรรลุท่อ , ความดีความชอบและองค์ประกอบ ) ฉันยังมีmaxlocฟังก์ชั่นซึ่งคล้ายกับwhich.maxแต่ผลตอบแทนทั้งหมดสูงสุดแน่นอนของเวกเตอร์ R pseudocodeสำหรับmaxlocคือ

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

แล้วก็

imode <- histogram %O% maxloc

และ

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

จะคำนวณโหมดของการรวบรวมใด ๆ ที่กำหนดฟังก์ชั่นการพิมพ์mapและการพิมพ์ที่เหมาะสมunmap