说明样本限制的影响：简化生成条形图的方法

Question

我试图通过 ID 说明在看起来像这样的条形图中连续应用各种（限制性降低的）样本限制对样本量的影响：

蓝条是设置完所有5个限制后剩下的；金条显示最小限制条件的影响； spring 绿色条显示了次要限制条件的影响；等等。

下面是一些示例数据：

library(data.table)
set.seed(8195)
dt<-data.table(id=rep(1:5,each=2e3),flag1=!!runif(1e4)>.76,
               flag2=!!runif(1e4)>.88,flag3=!!runif(1e4)>.90,
               flag4=!!runif(1e4)>.95,flag5=!!runif(1e4)>.99)

我目前使用的代码还有一些不足之处 -- 1) 它相当冗长，2) 我并不觉得它很 robust/generalizable。有没有人有制作这样的东西的经验，可以在这两个方面提供一些改进？我觉得这种类型的图表在数据分析中应该很常见，所以我有点惊讶没有专门的功能。

这是我目前所做的：

dt[order(-id)][,
                #to find out how many observations are lost by
                #  applying flag 1 (we keep un-flagged obs.), 
                #  look at the count of indices before and
                #  after applying flag 1
               {l1<-!flag1;i1<-.I[l1];n1<-length(.I)-length(i1);
                #to find the impact of flag 2, we apply flag 2
                #  _in addition to_ flag 1--the observations
                #  we keep have _neither_ flag 1 _nor_ flag 2;
                #  the impact is measured by the number of 
                #  observations lost by applying this flag
                #  (that weren't already lost from flag 1)
               l2<-l1&!flag2;i2<-.I[l2];n2<-length(i1)-length(i2);
               l3<-l2&!flag3;i3<-.I[l3];n3<-length(i2)-length(i3);
               l4<-l3&!flag4;i4<-.I[l4];n4<-length(i3)-length(i4);
               l5<-l4&!flag5;i5<-.I[l5];n5<-length(i4)-length(i5);
               #finally, the observations we keep have _none_
               #  of flags 1-5 applied
               n6<-length(i5);
               c(n6,n5,n4,n3,n2,n1)},by=id
               ][,{barplot(matrix(V1,ncol=uniqueN(id)),
                           horiz=T,col=c("blue","gold","springgreen",
                                         "orange","orchid","red"),
                           names.arg=paste("ID: ",uniqueN(id):1),
                           las=1,main=paste0("Impact of Sample Restrictions",
                                             "\nBy ID"),
                           xlab="Count",plot=T)}]

不漂亮。感谢您的输入。

Answer 1

正如@Frank 指出的那样，如果将所有这些连续的标志都转换为分类变量，例如，蓝条为 1，金条为 2，spring 为 3，则要简单得多绿条等等。

正如@Frank 也指出的那样，max.col 为我们提供了一种方便的方法来创建一个完全采用这些值的变量，并且很快：

dt[,categ2:=max.col(cbind(.5,.SD),ties.method="last"),
   .SDcols=paste0("flag",5:1)]

（这里发生了什么？max.col 正在为我们处理标志的递归性质，我分配最右边的 -- 因为 ties.method="last"--TRUE 每列中的值; 如果所有标志都是 FALSE，第一列最大，因为它始终为 .5，即大于 0。查看此 table:)

 0 1 2 3 4 5
.5 F F F F F # No flags apply, so column 0 wins
.5 T F T F F # Flags 1 & 3 true--3 is the binding condition--
             #   Once Flag 5 is applied, it no longer matters
             #   which of the subsequent flags may or may not apply.

有了categ这样的定义，图形就变得很简单了：

dt[,barplot(table(categ,id))]

会起作用的。要获得所有花里胡哨的东西：

dt[,barplot(table(categ,id)[,5:1],horiz=T,
            col=c("blue","gold","springgreen",
                  "orange","orchid","red"),
            names.arg=paste("ID: ",uniqueN(id):1),
            las=1,main=paste0("Impact of Sample Restrictions",
                              "\nBy ID"),
            xlab="Count",plot=T)]

说明样本限制的影响：简化生成条形图的方法

Illustrating the impacts of sample restrictions: Simplifying the way to produce a barplot

r

bar-chart

data.table