Question

我正在尝试汇总我的数据以找到相关性/模式，并想发现数据可能如何关联以及在何处关联。具体来说，我想确定ID（此处称为“项目”）一起出现多少次。有没有一种方法可以找到每个（id）一起出现多少次？

这是针对已根据此特定查询清理和聚合的较大data.frame。过去，我曾尝试从“ data.table”，“ dplyr”和“ tidyverse”等程序包中应用多个聚合，求和和过滤功能，但无法完全满足我的需求。

在第3节（显示一些代码）中，我提供了一个最小的可重现示例：

set.seed(1234)
random.people<-c("Bob","Tim","Jackie","Angie","Christopher")
number=sample(12345:12350,2000,replace = T)
item=sample(random.people,2000,replace=T)

sample_data <- data.frame(cbind(number,item), stringsAsFactors = FALSE)

使用示例here，我希望将名称组合为数字并显示n（值）的所有组合的输出标识为ID，并期望结果类似于：

Pair       value
Bob, Tim     2
Bob, Jackie  4
Bob, Angie   0

此输出（我希望得到）将告诉我，在整个df中， Bob和Tim 是2倍，而 Bob和Jackie 是4倍。 >两者的编号相同。

但实际输出是：

Error: Each row of output must be identified by a unique combination of keys.

Keys are shared for 2000 rows:
* 9, 23, 37, 164, 170, 180, 211...

更新：我想到了一个..creative（？）解决方案-但希望有人可以帮助它进行加速。我可以使用以下命令找到两个名称之间共享的所有数字（column1）：

x1<-sample_data %>% dplyr::filter(item=="Bob")
x2<-sample_data %>% dplyr::filter(item=="Tim")
Bob<-x1[,1]
Tim<-x2[,1]
Reduce(intersect, list(Bob,Tim))

输出：

[1] "12345" "12348" "12350" "12346" "12349" "12347"

就像我说的那样，这非常耗时，并且需要创建过多的向量，并将每个向量（例如，每个名称使用1个向量）和多个组合相交。

Answer 1

set.seed(1234)
random.people<-c("Bob","Tim","Jackie","Angie","Christopher")
number=sample(12345:22350,2000,replace = T) # I edited ur number here.
item=sample(random.people,2000,replace=T)

sample_data <- data.frame(cbind(number,item), stringsAsFactors = FALSE)

library(tidyverse)
sample_data %>%
  # find out unique rows
  distinct() %>%
  # nest the data frame into nested tibble, so now you have
  # a "data" column, which is a list of small data frames.
  group_nest(number) %>%
  # Here we use purrr::map to modify the list column. We want each 
  # combination counts only once despite the order, so we use sort. 
  mutate(data = map_chr(data, ~paste(sort(.x$item), collapse = ", "))) %>%
  # the last two steps just count the numbers
  group_by(data) %>%
  count()

# A tibble: 21 x 2
# Groups:   data [21]
   data                         n
   <chr>                    <int>
 1 Angie                      336
 2 Angie, Bob                   8
 3 Angie, Bob, Christopher      2
 4 Angie, Bob, Jackie           1
 5 Angie, Christopher          16
 6 Angie, Jackie                9
 7 Angie, Tim                  10
 8 Bob                        331
 9 Bob, Christopher            12
10 Bob, Christopher, Jackie     1
# … with 11 more rows

一种可能的解决方案

Answer 2

这是一个基础的R解决方案，它依赖于table-> aggregate，并且可能是一种使用apply将名称粘贴在一起的低效率方法。

tab_data <-  data.frame(unclass(table(unique(sample_data))))
#table results in columns c(Angie.1, Bob.1, ...) - this makes it look better
names(tab_data) = sort(random.people) 

tab_data$n <- 1

agg_data <- aggregate(n~., data = tab_data, FUN = length)
agg_data$Pair <- apply(agg_data[, -length(agg_data)], 1, function(x) paste(names(x[x!=0]), collapse = ', '))


agg_data[order(agg_data$Pair), c('Pair', 'n') ]

                            Pair   n
1                          Angie 336
3                     Angie, Bob   8
7        Angie, Bob, Christopher   2
11            Angie, Bob, Jackie   1
5             Angie, Christopher  16
9                  Angie, Jackie   9
15                    Angie, Tim  10
2                            Bob 331
6               Bob, Christopher  12
... truncated ...

就性能而言，在这个相对较小的数据集上，它比dplyr解决方案快约9倍：

Unit: milliseconds
           expr     min       lq     mean   median       uq      max neval
  base_solution  9.4795  9.65215 10.80984  9.87625 10.32125  46.8230   100
 dplyr_solution 78.6070 81.72155 86.47891 83.96435 86.40495 200.7784   100

数据

set.seed(1234)
random.people<-c("Bob","Tim","Jackie","Angie","Christopher")
number=sample(12345:22350,2000,replace = T) # I edited ur number here.
item=sample(random.people,2000,replace=T)

sample_data <- data.frame(number,item, n = 1L, stringsAsFactors = FALSE)

是否存在用于识别每行中“ n”个匹配项的R函数？

2 个答案: