จะจัดรูปแบบตัวเลขเป็นเปอร์เซ็นต์ใน R ได้อย่างไร?

สิ่งหนึ่งที่ทำให้ฉันงงงวยในฐานะผู้สร้างใหม่โดยใช้ R คือการจัดรูปแบบตัวเลขเป็นเปอร์เซ็นต์สำหรับการพิมพ์

ยกตัวอย่างเช่นแสดงเป็น0.12345 12.345%ฉันมีวิธีแก้ปัญหาหลายประการสำหรับสิ่งนี้ แต่ดูเหมือนจะ "ใหม่โดยมิตร" ไม่ได้เลย ตัวอย่างเช่น:

set.seed(1)
m <- runif(5)

paste(round(100*m, 2), "%", sep="")
[1] "26.55%" "37.21%" "57.29%" "90.82%" "20.17%"

sprintf("%1.2f%%", 100*m)
[1] "26.55%" "37.21%" "57.29%" "90.82%" "20.17%"

คำถาม:มีฟังก์ชัน R ฐานสำหรับทำสิ่งนี้หรือไม่? นอกจากนี้ยังมีแพ็คเกจที่ใช้กันอย่างแพร่หลายซึ่งมีเครื่องห่อหุ้มที่สะดวกหรือไม่?

แม้จะมีการค้นหาสิ่งที่ต้องการในเรื่องนี้?format, ?formatCและ?prettyNumฉันยังไม่พบเสื้อคลุมสะดวกเหมาะสมในฐานอาร์ ??"percent"ไม่ได้ผลอะไรที่เป็นประโยชน์ library(sos); findFn("format percent")ส่งคืนการเข้าชม 1250 ครั้ง - อีกครั้งจึงไม่มีประโยชน์ ggplot2มีฟังก์ชันpercentแต่ไม่สามารถควบคุมความแม่นยำในการปัดเศษได้

แม้ในภายหลัง:

ตามที่ระบุโดย @DzimitryM percent()ได้รับการ "เกษียณ" label_percent()ซึ่งเป็นคำพ้องความหมายของpercent_format()ฟังก์ชันเก่า

label_percent() ส่งคืนฟังก์ชันดังนั้นในการใช้งานคุณต้องมีวงเล็บเสริมอีกหนึ่งคู่

library(scales)
x <- c(-1, 0, 0.1, 0.555555, 1, 100)
label_percent()(x)
## [1] "-100%"   "0%"      "10%"     "56%"     "100%"    "10 000%"

ปรับแต่งสิ่งนี้โดยเพิ่มอาร์กิวเมนต์ภายในวงเล็บชุดแรก

label_percent(big.mark = ",", suffix = " percent")(x)
## [1] "-100 percent"   "0 percent"      "10 percent"    
## [4] "56 percent"     "100 percent"    "10,000 percent"

การอัปเดตหลายปีต่อมา:

วันนี้มีpercentฟังก์ชั่นในscalesแพ็คเกจตามที่ระบุไว้ในคำตอบของ krlmlr ใช้แทนน้ำยารีดมือของฉัน

ลองสิ่งที่ชอบ

percent <- function(x, digits = 2, format = "f", ...) {
  paste0(formatC(100 * x, format = format, digits = digits, ...), "%")
}

กับการใช้งานเช่น

x <- c(-1, 0, 0.1, 0.555555, 1, 100)
percent(x)

(หากคุณต้องการเปลี่ยนรูปแบบจาก"f"เป็น"g")

ตรวจสอบscalesแพ็คเกจ มันเคยเป็นส่วนหนึ่งของggplot2ฉันคิดว่า

library('scales')
percent((1:10) / 100)
#  [1] "1%"  "2%"  "3%"  "4%"  "5%"  "6%"  "7%"  "8%"  "9%"  "10%"

ตรรกะในตัวสำหรับการตรวจจับความแม่นยำควรทำงานได้ดีเพียงพอสำหรับกรณีส่วนใหญ่

percent((1:10) / 1000)
#  [1] "0.1%" "0.2%" "0.3%" "0.4%" "0.5%" "0.6%" "0.7%" "0.8%" "0.9%" "1.0%"
percent((1:10) / 100000)
#  [1] "0.001%" "0.002%" "0.003%" "0.004%" "0.005%" "0.006%" "0.007%" "0.008%"
#  [9] "0.009%" "0.010%"
percent(sqrt(seq(0, 1, by=0.1)))
#  [1] "0%"   "32%"  "45%"  "55%"  "63%"  "71%"  "77%"  "84%"  "89%"  "95%" 
# [11] "100%"
percent(seq(0, 0.1, by=0.01) ** 2)
#  [1] "0.00%" "0.01%" "0.04%" "0.09%" "0.16%" "0.25%" "0.36%" "0.49%" "0.64%"
# [10] "0.81%" "1.00%"

ตรวจสอบpercentฟังก์ชั่นจากformattableแพ็คเกจ:

library(formattable)
x <- c(0.23, 0.95, 0.3)
percent(x)
[1] 23.00% 95.00% 30.00%

ฉันทำการเปรียบเทียบเพื่อความเร็วในคำตอบเหล่านี้และรู้สึกประหลาดใจที่เห็นpercentในscalesแพ็คเกจนั้นได้รับการขนานนามอย่างมากเนื่องจากความเฉื่อยชา ฉันคิดว่าข้อดีคือเครื่องตรวจจับอัตโนมัติสำหรับการจัดรูปแบบที่เหมาะสม แต่ถ้าคุณรู้ว่าข้อมูลของคุณมีลักษณะอย่างไรก็ควรหลีกเลี่ยง

นี่คือผลลัพธ์จากการพยายามจัดรูปแบบรายการ 100,000 เปอร์เซ็นต์ใน (0,1) เป็นเปอร์เซ็นต์ใน 2 หลัก:

library(microbenchmark)
x = runif(1e5)
microbenchmark(times = 100L, andrie1(), andrie2(), richie(), krlmlr())
# Unit: milliseconds
#   expr       min        lq      mean    median        uq       max
# 1 andrie1()  91.08811  95.51952  99.54368  97.39548 102.75665 126.54918 #paste(round())
# 2 andrie2()  43.75678  45.56284  49.20919  47.42042  51.23483  69.10444 #sprintf()
# 3  richie()  79.35606  82.30379  87.29905  84.47743  90.38425 112.22889 #paste(formatC())
# 4  krlmlr() 243.19699 267.74435 304.16202 280.28878 311.41978 534.55904 #scales::percent()

ดังนั้นจึงsprintfกลายเป็นผู้ชนะที่ชัดเจนเมื่อเราต้องการเพิ่มเครื่องหมายเปอร์เซ็นต์ ในทางกลับกันหากเราต้องการคูณจำนวนและปัดเศษเท่านั้น (เปลี่ยนจากสัดส่วนเป็นเปอร์เซ็นต์โดยไม่มี "%" round()จะเร็วที่สุด:

# Unit: milliseconds
#        expr      min        lq      mean    median        uq       max
# 1 andrie1()  4.43576  4.514349  4.583014  4.547911  4.640199  4.939159 # round()
# 2 andrie2() 42.26545 42.462963 43.229595 42.960719 43.642912 47.344517 # sprintf()
# 3  richie() 64.99420 65.872592 67.480730 66.731730 67.950658 96.722691 # formatC()

คุณสามารถใช้แพ็คเกจเครื่องชั่งสำหรับการดำเนินการนี้เท่านั้น (โดยไม่ต้องโหลดด้วยต้องใช้หรือไลบรารี)

scales::percent(m)

นี่คือคำตอบของฉันสำหรับการกำหนดฟังก์ชันใหม่ (ส่วนใหญ่ฉันสามารถเล่นกับ Curry และ Compose ได้ :-)):

library(roxygen)
printpct <- Compose(function(x) x*100, Curry(sprintf,fmt="%1.2f%%"))

เมื่อเห็นว่าscalable::percentได้แสดงให้เห็นแล้วว่าช้าที่สุดและ Liliana Pacheco ก็เสนอวิธีแก้ปัญหาอื่นฉันจึงพยายามเปรียบเทียบกับตัวเลือกอื่น ๆ ตามตัวอย่างที่ Michael ตั้งไว้:

library(microbenchmark)
library(scales)
library(formattable)

x<-runif(1e5)

lilip <- function() formattable::percent(x,2)
krlmlr <- function() scales::percent(x)
andrie1 <- function() paste0(round(x,4) * 100, '%')

microbenchmark(times=100L,lilip(), krlmlr(), andrie1())

นี่คือผลลัพธ์ที่ฉันได้รับ:

Unit: microseconds
      expr        min          lq        mean      median          uq        max neval
   lilip()    194.562    373.7335    772.5663    889.7045    950.4035   1611.537   100
  krlmlr() 226270.845 237985.6560 260194.9269 251581.0235 280704.2320 373022.180   100
 andrie1()  87916.021  90437.4820  92791.8923  92636.8420  94448.7040 102543.252   100

ฉันไม่รู้เลยว่าทำไมฉันkrlmlr()ถึงandrie1()ทำได้แย่กว่าในตัวอย่างของ MichaelChirico เบาะแสใด ๆ ?

try this~

data_format <- function(data,digit=2,type='%'){
if(type=='d') {
    type = 'f';
    digit = 0;
}
switch(type,
    '%' = {format <- paste("%.", digit, "f%", type, sep='');num <- 100},
    'f' = {format <- paste("%.", digit, type, sep='');num <- 1},
    cat(type, "is not a recognized type\n")
)
sprintf(format, num * data)
}

ฟังก์ชันนี้สามารถแปลงข้อมูลเป็นเปอร์เซ็นต์ตามคอลัมน์

percent.colmns = function(base, columnas = 1:ncol(base), filas = 1:nrow(base)){
    base2 = base
    for(j in columnas){
        suma.c = sum(base[,j])
        for(i in filas){
            base2[i,j] = base[i,j]*100/suma.c
        }
    }
    return(base2)
}

tidyverseรุ่นนี้คือ:

> library(tidyverse)

> set.seed(1)
> m <- runif(5)
> dt <- as.data.frame(m)

> dt %>% mutate(perc=scales::percent(m,accuracy=0.001))
          m    perc
1 0.2655087 26.551%
2 0.3721239 37.212%
3 0.5728534 57.285%
4 0.9082078 90.821%
5 0.2016819 20.168%

ดูเป็นระเบียบเรียบร้อยเช่นเคย