r - 基于多列组合 R 中的数据框行

Question

我在 R 中有一个数据框，每行有一个个体。有时，个人会出现在两行中，我想根据重复的 ID 将这些行组合起来。

问题是，每个人都有多个ID，当一个ID出现两次时，它不一定出现在同一列。

这是一个示例数据框:

dat <- data.frame(a = c('cat', 'canine', 'feline', 'dog'),
                  b = c('feline', 'puppy', 'meower', 'wolf'),
                  c = c('kitten', 'barker', 'kitty', 'canine'),
                  d = c('shorthair', 'collie', '', ''),
                  e = c(1, 5, 3, 8))

> dat
       a      b      c         d e
1    cat feline kitten shorthair 1
2 canine  puppy barker    collie 5
3 feline meower  kitty           3
4    dog   wolf canine           8

因此应合并第 1 行和第 3 行，因为第 1 行的 ID b 等于第 3 行的 ID a。同样，ID a第 2 行的 ID c 等于第 4 行的 ID c，因此这些行也应该合并。

理想情况下，输出应如下所示。

     a.1    b.1    c.1       d.1 e.1    a.2    b.3    c.2 d.2 e.2
1    cat feline kitten shorthair   1 feline meower  kitty       3
2 canine  puppy barker    collie   5    dog   wolf canine       8

(请注意，这些行不是根据空字符串的共享 ID 进行组合的。)

我对如何做到这一点的想法如下，但我很确定我走错了路，所以它们可能对解决问题没有帮助。

我认为我可以为每一行分配一个行ID，然后融化数据。之后，我可以逐行浏览。当我发现某一行的 ID 之一与较早的行匹配时(例如，当第 3 行 ID 之一与第 1 行 ID 之一匹配时)，我将更改当前行的行 ID 的每个实例以匹配较早的行 ID (例如，所有行 ID 3 将更改为 1)。

这是我一直在使用的代码:

dat$row.id <- 1:nrow(dat)
library(reshape2)
dat.melt <- melt(dat, id.vars = c('e', 'row.id'))
for (i in 2:nrow(dat.melt)) {
  # This next step is just to ignore the empty values
  if (grepl('^[[:space:]]*$', dat.melt$value[i])) {
    next
  }
  earlier.instance <- dat.melt$row.id[which(dat.melt$value[1:(i-1)] == dat.melt$value[i])]
  if (length(earlier.instance) > 0) {
    earlier.row.id <- earlier.instance[1]
    dat.melt$row.id[dat.melt$row.id == dat.melt$row.id[i]] <- earlier.row.id
  }
}

这种方法有两个问题。

1. 可能第 3 行中的某个 ID 与第 1 行匹配，而第 5 行中的另一个 ID 与第 3 行匹配。在这种情况下，第 3 行和第 5 行的行 ID 都应更改为 1。这意味着按顺序浏览行很重要，这导致我使用 for 循环，而不是 apply 函数。我知道这不太像 R，而且对于大数据帧，我使用它的速度非常慢。
2. 此代码产生以下输出。现在有多行具有相同的 row.id 和 variable，因此我不知道如何对其进行转换以获得上面显示的输出类型。此处使用 dcast 将强制使用聚合函数。

输出:

   e row.id variable     value
1  1      3        a       cat
2  5      2        a    canine
3  3      3        a    feline
4  8      2        a       dog
5  1      3        b    feline
6  5      2        b     puppy
7  3      3        b    meower
8  8      2        b      wolf
9  1      3        c    kitten
10 5      2        c    barker
11 3      3        c     kitty
12 8      2        c    canine
13 1      3        d shorthair
14 5      2        d    collie
15 3      3        d          
16 8      2        d          

Answer 1

新答案。解决这个问题有一些乐趣(/沮丧)。我确信这不是最快的解决方案，但它应该可以让您超越我的其他答案所停止的位置。让我解释一下:

dat <- data.table(a = c('cat', 'canine', 'feline', 'dog', 'cat','fido'),
                  b = c('feline', 'puppy', 'meower', 'wolf', 'kitten', 'dog'),
                  c = c('kit', 'barker', 'kitty', 'canine', 'feline','wolf'),
                  d = c('shorthair', 'collie', '', '','',''),
                  e = c(1, 2, 3, 4, 5, 6))

dat[, All := paste(a, b,c),]

两项更改:dat$e现在是索引列，因此它只是其所在行的数字位置。如果e否则很重要，您可以创建一个新列来替换它。

下面是第一个循环。这使得 3 个新列 FirstMatchingID这些就像以前一样:它们给出了最早(最低行号)匹配 dat$All 的索引。对于 a b和c .

for(i in 2:nrow(dat)) {
  x <- grepl(dat[i]$a, dat[i-(1:i)]$All)
  y <- max(which(x %in% TRUE))
  dat[i, FirstMatchingID := dat[i-y]$e]

  x2 <- grepl(dat[i]$b, dat[i-(1:i)]$All)
  y2 <- max(which(x2 %in% TRUE))
  dat[i, SecondMatchingID := dat[i-y2]$e]

  x3 <- grepl(dat[i]$c, dat[i-(1:i)]$All)
  y3 <- max(which(x3 %in% TRUE))
  dat[i, ThirdMatchingID := dat[i-y3]$e]

}

接下来，我们使用pmin查找 MatchingID 的最早匹配行列并将其设置在自己的列中。这是为了以防万一您有匹配的 a在第 25 行，匹配 b在第 12 行；它会给你 12 (我认为这是你根据你的问题想要的)。

dat$MinID <- pmin(dat$FirstMatchingID, dat$SecondMatchingID, dat$ThirdMatchingID, na.rm=T)

最后，这个循环将做 3 件事，创建一个 FinalID包含 e 中所有匹配 ID 号的列:

1. 哪里 MinID是 NA (没有匹配项)设置FinalID至e
2. 如果MinID是一个数字，找到该行(最早的匹配项)并检查其是否为 MinID是一个数字；如果不是，则没有更早的匹配，并且它设置 FinalID至MinID
3. 不符合上述条件的行是您的特殊情况，其中行 i最早的比赛本身也有更早的比赛。这将找到匹配并将其设置为 FinalID .

for (i in 1:nrow(dat)) {
x <- dat[i]$MinID
if (is.na(dat[i]$MinID)) {
dat[i, FinalID := e]
} else if (is.na(dat[x]$MinID)) {
dat[i, FinalID := MinID]
} else dat[i, FinalID := dat[x]$MinID]
}

我认为这应该可以做到；让我知道事情的后续。我对其效率或速度不做任何声明。