r - 当在另一行中发现元素逗号分隔时合并行

Question

您好，我有一个数据框，例如:

  species family    Events      groups
1     SP1      A     10,22          G1
2     SP1      B         7          G2
3     SP1    C,D 4,5,6,1,3 G3,G4,G5,G6
4     SP2      A     22,10          G1
5     SP2    D,C 6,5,4,3,1 G4,G6,G5,G3
6     SP3      C 4,5,3,6,1    G3,G6,G5
7     SP3      E         7          G2
8     SP3      A        10          G1
9     SP4      C        7,22        G12

我想简单地为每列中至少有一个重复元素的每个合并行(除了 species )。
例如，我将合并行:

species family    Events      groups
SP1      A        10,22       G1
species family    Events      groups
SP2      A        22,10       G1
species family    Events      groups
SP3      A        10          G1

进入

species      family    Events      groups
SP1,SP2,SP3  A         10,22       G1

所以如果我对每一行都做同样的事情，我应该得到一个预期的输出:

species      family    Events      groups
SP1,SP2,SP3  A         10,22       G1
SP1,SP3      B,E       7           G2
SP1,SP2,SP3  C,D       1,3,4,5,6   G3,G4,G6,G5
SP4          C         7,22        G12 

请注意，SP4 尚未与任何行合并，因为它的组不存在于任何其他行中。
有人有想法吗？
非常感谢您的帮助和时间
如果有帮助，这是数据框:

structure(list(species = structure(c(1L, 1L, 1L, 2L, 2L, 3L, 
3L, 3L, 4L), .Label = c("SP1", "SP2", "SP3", "SP4"), class = "factor"), 
    family = structure(c(1L, 2L, 4L, 1L, 5L, 3L, 6L, 1L, 3L), .Label = c("A", 
    "B", "C", "C,D", "D,C", "E"), class = "factor"), Events = structure(c(2L, 
    7L, 5L, 3L, 6L, 4L, 7L, 1L, 8L), .Label = c("10", "10,22", 
    "22,10", "4,5,3,6,1", "4,5,6,1,3", "6,5,4,3,1", "7", "7,22"
    ), class = "factor"), groups = structure(c(1L, 3L, 4L, 1L, 
    6L, 5L, 3L, 1L, 2L), .Label = c("G1", "G12", "G2", "G3,G4,G5,G6", 
    "G3,G6,G5", "G4,G6,G5,G3"), class = "factor")), class = "data.frame", row.names = c(NA, 
-9L))

我可以做什么和尝试:
到目前为止，我只知道如何使用 dplyr 中的类似内容合并具有精确重复值的行:

desired_df <- df %>%
  group_by_at(vars(-species)) %>%
  summarize(species = toString(species)) %>%
  ungroup() %>%
  select(names(df))

但在这里我们没有精确的重复值，而是我在 comma 之间寻找可以出现在另一行中。

Answer 1

这是一个完整的解决方案(调用输入数据框 dat )。
请注意，此解决方案与您提供的所需输出不同。 这是因为您指出规则是“合并每列至少有一个重复元素的行，物种除外。”根据该规则，第 2 行和第 7 行不应合并，因为它们共享没有 family共同点。
首先，将我们要测试重叠值的三列转换为列表列。现在这些列的每个元素都是一个列表。我也胁迫了Events列转换为数字，以便正确排序。

library(tidyverse)

dat <- dat %>%
  mutate(across(c(family, Events, groups), ~ strsplit(as.character(.), split = ','))) %>%
  mutate(Events = map(Events, as.numeric))

接下来，定义一个函数来折叠数据框的每一行。该函数接受参数 i这是一个行索引。在函数中，我们做了两件事:

首先我们使用 pmap_lgl遍历数据框的每一行以检查所有三列中的哪些行family , Events , 和 groups与行 i 至少有一个共享值因此应该被折叠。例如，如果 i==1这将返回 TRUE对于第 1、4 和 8 行。

接下来，我们过滤dat仅适用于返回 TRUE 的那些行，并将函数应用于这些行的所有列。该函数将这些行中的所有列折叠为已排序唯一值的逗号分隔字符串。

collapse_rows <- function(i) {
  rows_collapse <- pmap_lgl(dat, function(family, Events, groups, ...) 
    any(dat$family[[i]] %in% family) & any(dat$Events[[i]] %in% Events) & any(dat$groups[[i]] %in% groups))
  dat %>%
    filter(rows_collapse) %>%
    mutate(across(everything(), ~ paste(sort(unique(unlist(.))), collapse = ',')))
}

最后，我们将此函数应用于每个行索引。我们最终得到重复的行，例如初始输出的第 1、4 和 8 行将是相同的。我们使用 distinct删除所有这些重复项。

dat_collapse <- map_dfr(1:nrow(dat), collapse_rows) %>% distinct

最终输出:

     species family    Events      groups
1 SP1,SP2,SP3      A     10,22          G1
2         SP1      B         7          G2
3 SP1,SP2,SP3    C,D 1,3,4,5,6 G3,G4,G5,G6
4         SP3      E         7          G2
5         SP4      C      7,22         G12