变量在数据集中多次发生的概率。

Question

我正在处理一个数据集，大约有38.000条关于趋势YouTube视频的观测结果。一个特定的视频可以有多个观察；这意味着一个视频可以多次或超过一天的时间趋势。

以上是正确的，我们知道，但我正在设法计算一个视频被观察超过一次的概率在这个数据集中。P(X > 1)

请参阅我用barplot(head(table(df$video_id)))绘制的以下图像：

​

我们可以看出，在这6个视频中，有5个有超过一个的观察，相当于83.33%的概率。如何在整个数据集中计算出相同的数据集？虽然我不一定想把它形象化(这将是一个额外的收获)，但我只是好奇如何计算在~38.000次观测中发生超过一次的video_id的概率。

下面是一个20个观察样本：https://pastebin.com/Tx9ebH2c

Answer 1

你拥有你所需要的大部分：

tbl <- table(df$video_id)
p <- sum(tbl > 1)/length(tbl)
p
# [1] 0.5

对于示例数据集，一半的视频不止一次发生。表的长度是不同视频的数量，除以这个值，你就可以得到超过一次观看视频的比例。你可以做一个简单的条形图来显示观看超过一次的视频相对于只看一次的视频的比例。

barplot(c(p, 1-p))