Сортировка в R: sort(), order() и arrange()

sort() сортирует значения вектора

Для обычного вектора sort() делает ровно то, что вы ожидаете, — возвращает значения по возрастанию (оригинал не трогается):

times <- c(12.4, 9.8, 15.1, 11.0)

print(sort(times))
print(sort(times, decreasing = TRUE))

words <- c("pear", "apple", "cherry")
print(sort(words))

Две опции, которые стоит знать. decreasing = TRUE переворачивает направление. И sort() по умолчанию молча отбрасывает значения NA — sort(c(3, NA, 1)) возвращает просто 1 3. Если пропущенные значения должны пережить сортировку, укажите, куда их деть: sort(x, na.last = TRUE) сохранит их, поместив после упорядоченных значений.

Пока всё очевидно. Интересное начинается с того, почему sort() — неправильный инструмент для датафреймов.

order() возвращает позиции — смена мышления

sort() отвечает на вопрос «какие значения, по порядку?». order() отвечает на другой вопрос: «какие позиции мне посетить, чтобы увидеть значения по порядку?»

times <- c(12.4, 9.8, 15.1, 11.0)

print(sort(times))    # the values, ordered
print(order(times))   # 2 4 1 3 - the positions, in order

Читайте order(times) как инструкцию: наименьшее значение находится на позиции 2, следующее — на позиции 4, затем 1, затем 3. Индексация по этой инструкции — times[order(times)] — в точности воспроизводит sort(times).

Почему это важно? Потому что строка датафрейма — это команда значений, которые должны двигаться вместе. Сортировка одного столбца time через sort() переупорядочила бы один столбец и бросила его товарищей — все строки перемешались бы. order() вместо этого даёт позиции строк, а помещение позиций в слот строк внутри скобок двигает целые строки:

runners <- data.frame(
    name = c("Ana", "Ben", "Chen", "Dana"),
    time = c(12.4, 9.8, 15.1, 11.0)
)

print(runners[order(runners$time), ])

Результат Бена 9.8 приезжает вместе с его именем. В этом весь приём, и это та самая идиома сортировки датафреймов в базовом R: df[order(df$column), ]. (Напечатанные метки строк — 2 4 1 3 — это исходные номера строк, увязавшиеся следом; безвредно.)

Сортировка по убыванию и по нескольким столбцам

Для убывающей числовой сортировки поменяйте знак столбца — упорядочивание -time по возрастанию это упорядочивание time по убыванию. И order() принимает несколько столбцов: более ранние идут первыми, более поздние разрешают совпадения:

staff <- data.frame(
    name   = c("Ana", "Ben", "Chen", "Dana", "Eli"),
    dept   = c("ops", "eng", "eng", "ops", "eng"),
    salary = c(70, 95, 88, 75, 95)
)

print(staff[order(-staff$salary), ])                 # highest paid first
print(staff[order(staff$dept, -staff$salary), ])     # by dept, then salary desc

Второй вызов сортирует отделы по алфавиту и внутри каждого отдела — зарплаты от больших к меньшим. Приём со сменой знака работает только на числах: -df$name на символьном столбце даст ошибку. Для убывающей сортировки текста используйте order(df$name, decreasing = TRUE) (она переворачивает сразу все ключи сортировки).

rank() — третий родственник

Мимоходом: rank(x) отвечает ещё на один вопрос — «какое место занимает каждое значение?» — ничего не перемещая:

times <- c(12.4, 9.8, 15.1, 11.0)
print(rank(times))   # 3 1 4 2 - Ana came 3rd, Ben 1st...

sort() даёт упорядоченные значения, order() даёт позиции для обхода, rank() даёт положение каждого значения на месте. order() и rank() постоянно путают; заметьте, что они являются обратными перестановками друг друга, и берите rank(), только когда вам буквально нужны ранги (турнирные таблицы, процентили).

Способ dplyr: arrange()

arrange() из dplyr оборачивает весь танец с order() в глагол — столбцы служат ключами сортировки, а desc() переворачивает один из них (сниппет статичный; песочница выполняет только базовый R):

library(dplyr)

runners |> arrange(time)
staff   |> arrange(dept, desc(salary))

Ни скобок, ни $, ни приёма со сменой знака — desc() работает и на символьных столбцах. Одно поведенческое отличие стоит знать: arrange() помещает значения NA в конец независимо от направления, тогда как базовый order() тоже по умолчанию использует na.last = TRUE. О том, как arrange() сцепляется с filter() и родственниками, см. введение в dplyr.

У сортировки текста острые края

Две оговорки при сортировке текста. Во-первых, цифры, хранящиеся как текст, сортируются как текст — символьное сравнение идёт посимвольно:

versions <- c("10", "2", "1", "30")

print(sort(versions))              # "1" "10" "2" "30" - not numeric order!
print(sort(as.numeric(versions)))  # 1 2 10 30

"10" идёт раньше "2", потому что сравнение останавливается на первом символе: "1" < "2". Если столбец чисел сортируется странно, он почти наверняка хранится как character — сначала преобразуйте через as.numeric() (частое последствие грязного импорта CSV).

Во-вторых, упорядочивание текста зависит от системной локали — диакритика, регистр и нелатинские письменности могут сортироваться на вашем ноутбуке иначе, чем на сервере с локалью C. Отсортированный вывод, который должен быть идентичным на разных машинах, должен либо явно задавать локаль, либо сортироваться по нормализованному ключу.

Что вы уносите с собой

• sort(x) упорядочивает значения вектора; decreasing = TRUE переворачивает порядок; NA отбрасываются, если не указать na.last = TRUE.
• order(x) возвращает позиции, а df[order(df$x), ] — та самая базовая идиома сортировки датафреймов.
• Несколько столбцов: order(df$a, -df$b); смена знака для убывания работает только на числах.
• rank() даёт места без переупорядочивания — это не замена order().
• arrange(dept, desc(salary)) из dplyr — та же сортировка с меньшим числом знаков препинания.
• "10" идёт раньше "2" в тексте — проверяйте типы своих столбцов.

Дальше: схлопывание строк в групповые сводки через table(), tapply(), aggregate() и group_by() из dplyr.