在R中使用for循環刪除各個桶中的異常值

Question

我在我的數據集中有大約114,000個人ID。每個個人身份證都有來自三個不同變量的數字組合，每個ID都有一個與之相關的美元值。這三個變量有大約4,000個不同的數字組合。換句話說，140,000個ID（和他們的美元）被放入4000個桶中的一箇中。

我想在R中使用'for循環'來實現的目標是從4000個桶中刪除最高2％的ID（基於ID的聯想金額）。我不想從每個存儲桶中刪除前2％的美元。是

在我的數據集的行如下： ID（不同ID），EVENT_ID，AL_ID，ACR_ID，ID_Dollars ** EVENT_ID，AL_ID，和ACR_ID是 '三個變量' 我上面引用。

我不知道如何引用這個問題的適當的數據集，或者我將它包括在我的文章中。希望我的解釋清楚地回答我提出的問題，如果不是的話，我很抱歉。

在此先感謝您的幫助，非常感謝。

更新2014年11月17日：

我現在有以下腳本：

# create random data similar to your requirements 
ID <- seq(1,114000) 
Event_ID <- sample(1:40, 114000,replace=TRUE) 
AL_ID <- sample(1:10, 114000,replace=TRUE) 
ACR_ID <- sample(1:10, 114000,replace=TRUE) 
ID_Dollars <- sample(1:200000,114000,replace=TRUE) 
df <- data.frame(ID,Event_ID,AL_ID,ACR_ID,ID_Dollars) 

# create buckets 
groupDf <- group_by(df,Event_ID,AL_ID,ACR_ID) 
groupDfSum <- summarize(groupDf, ID_Dollars=sum(as.numeric(ID_Dollars)) 
groupDfSumHowManyIDShouldBeCut <- mutate(groupDfSum,numberToCut = ceiling(ID_Dollars*0.02)) 

# Here I am using 1 but you should use maximum value of numberToCut. 
IDs_ToBeCut<-filter(groupDf, rank(ID_Dollars, ties.method="first")==max(groupDfSumHowManyIDShouldBeCut$numberToCut)) 

雖然劇本是朝着正確方向邁出的一步，但它仍然沒有完成我最終要處理數據集。我的目標是從4000個桶中的每一個桶中移除episode_ID的前2％（基於美元）。讓我知道是否應該提供任何其他信息。一如既往，感謝您的幫助。

Answer 1

我用dplyr寫下面的解決方案，因爲我理解你的問題。我可能錯了，隨時發表評論。

library(dplyr) 

# create random data similar to your requirements 
ID <- seq(1,114000) 
Event_ID <- sample(1:40, 114000,replace=TRUE) 
AL_ID <- sample(1:10, 114000,replace=TRUE) 
ACR_ID <- sample(1:10, 114000,replace=TRUE) 
ID_Dollars <- sample(1:200000,114000,replace=TRUE) 
df <- data.frame(ID,Event_ID,AL_ID,ACR_ID,ID_Dollars) 

# create buckets 
groupDf <- group_by(df,Event_ID,AL_ID,ACR_ID) 
groupDfSum <- summarize(groupDf,CountOfGroup=n()) 
groupDfSumHowManyIDShouldBeCut <- mutate(groupDfSum,numberToCut = ceiling(CountOfGroup*0.02)) 

# Here I am using 1 but you should use maximum value of numberToCut. 
IDs_ToBeCut<-filter(groupDf, rank(ID_Dollars, ties.method="first")==1) 


# After finding suitable ID values. You should for loop IDs_ToBeCut, control if that ID is lesser than numberToCut, and remove that ID value from df.