igraph解决方案

Question

我正在寻找一个r函数来基于两个变量在数据集中创建聚类（希望“ cluster”是我想做的正确名称）。变量_1或变量_2具有相同值的每两个观测值应位于同一聚类中。在下面的简短示例中，我基于变量_1和变量_2聚合数据帧df。

df <- data.frame(variable_1=c("a","a","b","b","c","c","d","d","e","e"),variable_2=c("g1","g2","g1","g3","g2","g4","g4","g6","g7","g8"),value=rnorm(10))

df$clusters <- some_function_to_create_clusters(df[,c("variable_1","variable_2")])

结果应如下所示：

df$clusters <- c("clu1","clu1","clu1","clu1","clu1","clu1","clu1","clu1","clu2","clu2")
df

请注意，第一个集群包含变量_1等于“ a”，“ b”，“ c”或“ d”的所有人：“ a”和“ b”合并在一起，因为它们共享“ g1”（第1行和第1行） 3）; “ a”和“ c”被合并，因为它们共享“ g2”（第2行和第5行）；和“ c”和“ d”被合并，因为它们共享“ g4”（第6和7行）。最后，在最后一个群集中，只有带有variable_1 ==“ e”的观测值，因为它们不与任何人共享variable_2。

为了澄清我打算做什么，我将更好地解释我的问题。我正在将县与附近的旅游景点配对。不同的县被不同的旅游景点（TA）包围，并且同一县周围有很多TA。但是，这个县和TA的“旅游集群”在该国很少分布。请注意，由于县旅游景点连接的“链式”效应，一些遥远的县可能位于同一集群内。因此，我想根据县和旅游胜地的ID找到这些“集群”。

这似乎很简单，但我不知道如何实现。

非常感谢

Answer 1

igraph解决方案

免责声明：我对igraph完全陌生，因此可能有一个更好的解决方案。但这似乎可行。

使用igraph包，我们可以使用graph_from_data_frame()函数对数据进行聚类，然后使用components提取聚类。您可以获得可视化群集的附加优势。

library(igraph)

graph <- graph_from_data_frame(df[, 1:2], directed = FALSE)

cmp <- components(graph)$membership

df$cluster <- cmp[df$variable_1]

plot(graph)

将其包装为一个函数

如果您希望将其包装为一个函数，则可以执行以下操作：

find_clusters <- function(x, y) {
  edges <- data.frame(from = x, to = y)
  graph <- igraph::graph_from_data_frame(edges, directed = FALSE)
  cmp <- igraph::components(graph)$membership
  return(cmp[x])
}

使用您在上面作为评论发布的其他示例，我们具有以下工作流程：

library(dplyr)

df <- data.frame(
    variable_1 = c("a", "a", "b", "b", "c", "c", "d", "d", "e", "e", "f", "f"),
    variable_2 = c( "g1", "g2", "g1", "g3", "g2", "g4", "g4", "g6", "g7", "g8", "g9", "g12"),
    value = rnorm(12)
  )

df %>% 
  mutate(cluster = find_clusters(variable_1, variable_2))

#    variable_1 variable_2       value  cluster
# 1           a         g1 -0.03410073        1
# 2           a         g2  0.51261548        1
# 3           b         g1  0.06470451        1
# 4           b         g3 -1.97228101        1
# 5           c         g2 -0.39751063        1
# 6           c         g4  0.17761619        1
# 7           d         g4 -0.13771207        1
# 8           d         g6 -0.72183017        1
# 9           e         g7  0.09012701        2
# 10          e         g8  0.45763593        2
# 11          f         g9 -0.83172613        3
# 12          f        g12  2.83480352        3

Answer 2

因此，我编写了一个函数来实现所需的功能。它很丑，但是正在工作。如果有人有更好/更有效的解决方案，我将不胜感激。

find_clusters <- function(original_df){

  find_clus <- original_df
  cluster_number <- 1
  find_clus$cluster <- "cl"
  i=1
  for(i in 1:nrow(find_clus)){
    if(nchar(find_clus$cluster[i])>2) next
    aux <- lapply(original_df,function(x){ which(x==x[i])})%>% reshape2::melt()
    idx <- aux$value %>%unique() %>%sort()
    j = 1
    while(j <= length(idx)){
      aux <- lapply(original_df,function(x){ which(x==x[idx[j]])})%>% reshape2::melt()
      idx <- c( idx, aux$value) %>%unique() %>% sort()
      j <- j+1
    }


    find_clus$cluster[idx] <- paste0("cl",sprintf("%04d",  cluster_number))
    cluster_number<- cluster_number +1
  }  
  return(find_clus$cluster)
}

因此，要查找群集，应编写：

find_clusters(df[,c(1,2)])

基于多个变量的聚类观察

2 个答案:

igraph解决方案

将其包装为一个函数