Question

我正在尝试编写一个将在大型基表（下面的示例）中读取的函数，并检查是否可以通过15个以上的属性链接任何唯一实体（ID）（bank a / c，phone num，电子邮件，邮政编码...等）。这次不需要模糊匹配。

df <- data.frame( id = c('01','02','03','04','05','06','07','08','09','10'),
bank_acc=c('66201','66202','66203','66204','66205','66205','66205','66206','66207','66208'),
phone_num=c('10151','10150','10152','10150','10153','10150','10154','10155','10156','10157'))

我需要边缘列表格式的输出（下面的示例），所以我可以输入igraph，我打算使用“方法”列来对边缘进行颜色编码。提前致谢

ID  Linked_ID Method 
05  06   bank_acc
05  07   bank_acc
06  07   bank_acc
02  04   phone_num
02  06   phone_num

Answer 1

您可以拆分感兴趣的字段，计算所有对（combn在这里有用），然后合并：

get.pairs <- function(colname) {
  spl <- split(df, df[,colname])
  do.call(rbind, lapply(spl, function(x) {
    if (nrow(x) == 1) {
      return(NULL)  # No duplicates for this value
    } else {
      combs <- combn(nrow(x), 2)
      return(data.frame(ID=x$id[combs[1,]], Linked_ID=x$id[combs[2,]], Method=colname, stringsAsFactors=F))
    }
  }))
}
do.call(rbind, lapply(c("bank_acc", "phone_num"), get.pairs))
#         ID Linked_ID    Method
# 66205.1 05        06  bank_acc
# 66205.2 05        07  bank_acc
# 66205.3 06        07  bank_acc
# 10150.1 02        04 phone_num
# 10150.2 02        06 phone_num
# 10150.3 04        06 phone_num

R：从基表生成网络边缘列表（igraph）？

1 个答案: