r - 数据框列的组合和排列

Question

我需要一些帮助来计算数据框列的所有组合和排列。我的 df 看起来像这样(真正的有 40+ 列和 15000+ 行)

ID      A   B   C   D
ID_1    NA  1   NA  1
ID_2    1   1   1   1
ID_3    1   1   1   1
ID_4    NA  1   1   NA
ID_5    1   1   1   1
ID_6    1   NA  NA  1
ID_7    1   1   1   1
ID_8    1   NA  NA  NA
ID_9    1   1   1   1
ID_10   1   1   1   1
ID_11   1   1   1   1
ID_12   NA  NA  1   1
ID_13   NA  NA  1   NA
ID_14   1   1   1   NA

第一列包含唯一 ID，第 2:40+ 列包含 1(存在)或 NA(不存在)。

现在我需要知道每个组合和排列“存在”多少个 IDAB, AC, AD, BC.....ABC, ABD.....ABCDE, ABCDF....等等。

使用 combinat 我可以轻松检索所有可能的组合/排列(假设一个 4 列数据框)

for (i in 1:3){
  combn(4, i)
next}

但是，我如何使用它来计算我需要的内容并在数据框中获得结果

1   2   3   4
A   AB  ABC ABCD
B   AC  ABD na
C   AD  ACD na
D   BC  BCD na
na  BD  na  na
na  CD  na  na

Answer 1

好吧，我想我找到了解决这个问题的方法，但速度非常慢(在 20 列和 18000 行的数据集上超过 12 小时)，因此欢迎提出任何改进建议。

假设一个初始数据表，其中“ID”列已被删除，看起来像这样

A   B   C   D   E   F   G   H
1   1   1   1   1   1   1   1
1   1   1   1   1   1   1   NA
1   1   1   1   1   1   1   1
1   1   1   1   1   NA  NA  NA
1   1   NA  1   1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   1   1   1   NA
NA  1   1   NA  1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   1   1   NA  1
NA  1   1   1   1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   NA  1   1   1
1   1   1   1   1   1   1   1
1   1   NA  NA  1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   1   1   1   1
1   NA  1   1   1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   1   1   1   NA
1   1   1   1   1   1   1   1
NA  1   1   1   1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   1   NA  1   1
1   1   1   1   1   1   1   1
1   NA  NA  1   1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   1   1   NA  1
1   1   1   1   NA  1   NA  1
1   1   NA  1   1   1   NA  1
1   1   1   1   1   1   1   1
1   1   1   1   1   1   1   1
1   1   1   1   1   1   1   NA
1   1   1   1   1   1   1   NA
1   1   1   NA  1   1   1   NA
1   1   1   1   1   1   1   1
NA  NA  NA  NA  NA  NA  NA  1

我首先以这种方式使用 combn 计算所有可能的组合

combi <- as.data.frame(t(colnames(dt)))

for (i in 2:ncol(dt)){
  combi <- cbind.fill(combi, as.data.frame(combn(colnames(dt), i)),  fill = NA)
next}

然后我为最终结果创建一个表

final <- data.frame(group = apply(combi, 2 , function(x) length(which(x != "" ))) , value = c(NA))

最后，我计算每个组合中存在的 ID 数量

for (i in 1:ncol(combi)){
  final[i, 2] <- nrow(dt[ , c(which(colnames(dt) %in% c(as.character(na.omit(combi[, i]))))), with = FALSE][!apply(dt[ , c(which(colnames(dt) %in% c(as.character(na.omit(combi[, i]))))), with = FALSE] == "", 1, all),])
next}

为了得到我想要的最终结果我就这样做

result <- subset(final, group == 1)[,2]
for (i in 2:max(final[, 1])){
  result <- cbind.fill(result, subset(final, group == i)[,2],  fill = NA)
next}

组合表 combi 的生成和 final 的计算是瓶颈，它适用于小数据，但正如我所说，它非常慢大数据集，即使是在一台牛逼的机器上也是如此。