r - 将数据集中的行组合成 R 中的类别

Question

我正在尝试编写一个脚本，将相似的条目组合到共同的类别中。

我有数据集:

product <- c('Laptops','13" Laptops','Apple Laptops', '10 inch laptop','Laptop 13','TV','Big TV')
volume <- c(100,10,20,2,1,200,10)
dataset <- data.frame(product,volume)

看起来像:

         product volume
1        Laptops    100
2    13" Laptops     10
3  Apple Laptop      20
4 10 inch laptop      2
5      Laptop 13      1
6             TV    200
7         Big TV     10

我想做的是将所有类别组合在一起，例如在运行脚本后我希望数据集是:

         product volume
1        Laptops    113
2  Apple Laptop     20
3  TV               210

由于 Apple 是一个品牌，我希望它与类别保持分离。我不知道如何开始，但我想我需要一个 for 循环来遍历每一行，并检查产品名称中是否有品牌名称。例如。

brandlist <- 'Apple|Samsung'
if ( grepl(brandlist, dataset$product[i])) { Skip this row }

现在我需要定义类别名称 - 我通过查看搜索最多的产品来做到这一点，因为人们倾向于搜索类别。如果音量为 >100，则假设一行是一个类别。

categories <- c()
for ( i in 1:count(dataset) ) {
     if ( dataset$volume[i] > 100 ) { categories <- c(categories , dataset$product[i] }}

现在我需要检查每个行名是否有某种程度的部分匹配...我正在考虑某种带有数字 + "+ 类别或其他方式的正则表达式。我也在考虑某种算法来检查有多少字母不同，例如允许 4 个字符不同，并且至少 5 个必须与类别完全匹配，因此笔记本电脑和 13"笔记本电脑将被归为一组，因为它们有 7 个相同的字符而有 4 个不同。

编辑:

---

我目前正在考虑以下解决方案:

我制作了一个类别列表，并创建了一个新的数据框，例如:

category <- c ('other', 'category 1', 'category 2')
volume <- c(0,0,0)
df <- data.frame(category,volume)

    category volume
1 other           0
2 category 1      0
3 category 2      0

现在我想使用循环遍历上表中的结果，并匹配所有结果(基于对品牌和匹配的限制 - 它必须有 1 个相同的词并且在某些方面可能不同，然后将结果放入在新的数据框中。

Answer 1

您可以尝试以下。首先删除所有数字和符号，如 "、\ 或 ""。然后搜索品牌并提取最后的单词，如果找到品牌则更新并以小写字母打印。最后替换复数s。最后一步分组总结。当然，这是针对提供的 data.frame 的硬编码解决方案，但我看不到其他方式。

library(stringi)
library(tidyverse)
dataset %>% 
  mutate(p2=gsub("[[:digit:]]|\"","",product),
         p2=stri_trim(p2)) %>% 
  mutate(p3=grepl(brandlist, p2)) %>% 
  mutate(p4=stri_extract_last_words(p2),
         p4=ifelse(p3, grep(brandlist, p2, value=T), p4),
         p4=tolower(p4), 
         p4=stri_replace_last_fixed(p4, "s","")) %>%   
  group_by(p4) %>% 
  summarise(volume=sum(volume)) %>% 
  select(product=p4, volume)
# A tibble: 3 x 2
       product volume
         <chr>  <dbl>
1       laptop    113
2           tv    210
3 apple laptop     20

编辑:您还可以设置一个函数。但是你必须自己创建类别。请注意以单数形式和小写形式书写。

library(stringr)
foo <- function(data, product=product, volume=volume, brandlist, categories){
  data %>% 
  mutate(p1=tolower(product)) %>% 
  mutate(p2=str_extract(p1, brandlist),
         p2=ifelse(is.na(p2),"",p2)) %>% 
  mutate(p3=str_extract(p1, categories)) %>% 
  unite(Product, p2, p3, sep = " ") %>%  
  mutate(Product=str_trim(Product)) %>% 
  group_by(Product) %>% 
  summarise(volume=sum(volume))
}

foo(dataset, brandlist = 'apple|samsung',categories = "laptop|tv")
# A tibble: 3 x 2
Product volume
<chr>  <dbl>
1 apple laptop     20
2       laptop    113
3           tv    210  

foo(dataset, brandlist = 'apple|samsung',categories = "laptop|tv|big tv")
> foo(dataset, brandlist = 'apple|samsung',categories = "laptop|tv|big tv")
# A tibble: 4 x 2
Product volume
<chr>  <dbl>
1 apple laptop     20
2       big tv     10
3       laptop    113
4           tv    200