Question

假设我们有一张食品表：

product_id <- c(1, 1, 2, 2, 3, 3)
name <- c("Cheddar", "Cheddar", "Apple", "Apple", "Pizza", "Pizza")
category <- c("Dairy", "Cheese", "Food", "Fruit", "Food", NA)
products <- data.frame(product_id, name, category)

在不规则的层次结构中设置类别：

level_1 <- c("Food", "Food", "Food", "Food", "Food")
level_2 <- c(NA, "Dairy", "Dairy", "Fruit", "Pizza")
level_3 <- c(NA, NA, "Cheese", NA, NA)
categories <- data.frame(level_1, level_2, level_3)

我最终的目标是删除重复的产品，并保持最低的层次结构级别（即更多详细信息）。

我不一定需要最详细地保留 row ，只需保留标签即可。因此，我们也可以只将最详细的类别名称应用于组中的所有行，然后选择要删除的行。但是请记住，可能会有错误：我们可能会有一行Pizza = Fruit和Pizza = Pizza，应该将其忽略掉（这需要手动修复）。

编辑：到目前为止，答案非常好，谢谢您的帮助。他们只缺少一件事：

在我的真实数据中，我的类别有误，所以我忽略了层次结构树不同部分中的重复项。想象一下clothing > pants > jeans的此层次结构的另一部分。然后，如果我有这些产品重复项：

+---------+----------+
| Product | Category | 
+---------+----------+
|  Apple  |   Food   |
+---------+----------+
|  Apple  |   Jeans  |
+---------+----------+

即使是更具体的类别，我也不想保留“牛仔裤”。

我能想到的唯一解决方案是这个（而且我不知道如何在R中实现它）：

在产品表上放置层次结构的各个级别，然后根据类别进行填充
按产品分组
检查组中的所有行是否都在level_1上匹配
如果是，请检查level_2，如果是，请检查level_3
在每个阶段，如果不匹配是由于不适用而导致的，我们就有一个获胜者，并在该级别应用现有类别
如果不匹配归因于不同的类别，请保留

或者，解决方案可以是“最高级通用类别”的新列，如果这是一种更轻松的思考方式。

编辑＃2-新数据集

product_id <- c(1, 1, 2, 2, 3, 3, 2)
name <- c("Cheddar", "Cheddar", "Apple", "Apple", "Pizza", "Pizza", "Apple")
category <- c("Dairy", "Cheese", "Food", "Fruit", "Food", NA, "Jeans")
products <- data.frame(product_id, name, category)

level_1 <- c("Food", "Food", "Food", "Food", "Food","Clothing", "Clothing", "Clothing")
level_2 <- c(NA, "Dairy", "Dairy", "Fruit", "Pizza", NA, "Pants", "Pants")
level_3 <- c(NA, NA, "Cheese", NA, NA, NA, NA, "Jeans")
categories <- data.frame(level_1, level_2, level_3)

目标：

OR

Answer 1

我们可以采用“长”格式，按正确的顺序arrange行

library(dplyr)
library(tidyr)
newdat <- categories %>%
              pivot_longer(everything(), names_to = 'product_id',
                       values_drop_na = TRUE) %>% 
              distinct  %>%
              arrange(factor(product_id, levels = rev(names(categories))))

通过“ product_id”，“ name”分组后，将其用于match和slice的第二个数据集“ products”

products %>%
   group_by(product_id, name) %>% 
   slice(na.omit(match(newdat$value, category))[1])
# A tibble: 3 x 3
# Groups:   product_id, name [3]
#  product_id name    category
#       <dbl> <chr>   <chr>   
#1          1 Cheddar Cheese  
#2          2 Apple   Fruit   
#3          3 Pizza   Food

Answer 2

另一个dplyr / tidyr选项可能是

products %>%
  mutate(level = case_when(category %in% level_1 ~ 1,
                           category %in% level_2 ~ 2,
                           category %in% level_3 ~ 3
                           )) %>%
  group_by(product_id) %>%
  drop_na() %>%
  slice_max(level)

返回

# A tibble: 3 x 4
# Groups:   product_id [3]
  product_id name    category level
       <dbl> <chr>   <chr>    <dbl>
1          1 Cheddar Cheese       3
2          2 Apple   Fruit        2
3          3 Pizza   Food         1

R-在group_by中查找层次结构中的最低/最高级别

2 个答案: