Question

我正在跟踪同行评审文献中许多研究领域的处理，并处理了近1500篇论文。在我的数据文件中，我有25个主题的列，在数据文件中注释为1（在线）和0（缺席）。数据文件示意如下：

TITLE AUTHORS JOURNAL YEAR ... TOPIC1 TOPIC2 TOPIC3 TOPIC4 ... TOPIC25
'xxx'  'yyy'    'zzz' 2002          1      0      0      1           0
'xxx'  'yyy'    'zzz' 2012          0      0      0      0           1
'xxx'  'yyy'    'zzz' 2002          0      0      1      1           0
'xxx'  'yyy'    'zzz' 2015          1      0      0      0           0
'xxx'  'yyy'    'zzz' 2015          0      0      0      0           0
'xxx'  'yyy'    'zzz' 2013          0      0      1      1           1
'xxx'  'yyy'    'zzz' 2012          1      0      0      0           0
'xxx'  'yyy'    'zzz' 2012          0      0      1      0           1

我需要计算论文中各种主题的频率，最后得到一个如下所示的数据框：

TOPIC  count
TOPIC1    7
TOPICS2  19
.
.
TOPIC25  15

我一直在谷歌搜索，阅读和尝试一些不同的东西，但到目前为止没有任何工作，因此没有发布代码。

任何帮助都非常感谢...

Answer 1

我们可以遍历感兴趣的列，获取sum和stack以创建两列“data.frame＆＃39;。

res <- setNames(stack(lapply(df1[grep("^TOPIC\\d+", names(df1))],
          sum))[2:1], c("TOPIC", "count"))
head(res,2)
#   TOPIC count
#1 TOPIC1     7
#2 TOPIC2     19

如果列名称没有任何模式，请使用列索引对列进行子集，即假设POPABU是第5列，POPGEN是最后一列，

res <- setNames(stack(lapply(df1[5:ncol(df1)],
          sum))[2:1], c("TOPIC", "count"))

同时计算几个组的频率

1 个答案: