r - 将多个分组索引连接成一个

Question

我面临一个问题，我必须将各种分组索引连接成一个。这是一个例子:

df <- data.frame(idx1 = c("1_1","1_1","1_2","1_3","1_4","1_4","1_5","1_6","1_6"),
                 idx2 = c("2_1","2_2","2_2","2_3","2_4","2_5","2_6","2_7","2_8"),
                 idx3 = c("3_1","3_1","3_2","3_3","3_3","3_5","3_6","3_7","3_8"))


  idx1 idx2 idx3
1  1_1  2_1  3_1
2  1_1  2_2  3_1
3  1_2  2_2  3_2
4  1_3  2_3  3_3
5  1_4  2_4  3_3
6  1_4  2_5  3_5
7  1_5  2_6  3_6
8  1_6  2_7  3_7
9  1_6  2_8  3_8

每个索引表示使用不同方法检测到的重复行。我想创建一个连接三者的索引。例如，idx1表示第1行和第2行相同，idx2表示第2行和第3行相同，所以第1、2、3行相同，应该具有相同的分组索引。

第 4 行和第 5 行具有相同的 idx3 分组索引，第 5 行和第 6 行具有相同的 idx1，因此它们应该具有相同的分组索引，与第 1 行不同， 2 和 3。

我确实设法编写了一个循环来创建连接索引:

df$I <- seq(df$idx1)
df$doublon_idx <- as.numeric(NA)
idx_cnt <- 1
for(i in 1:dim(df)[1]){
  if(is.na(df[i,"doublon_idx"])){
    df[i,"doublon_idx" ] <- idx_cnt
    idx_cnt <- idx_cnt + 1
  }
  df[df$I != i & df$idx1 == df[i,]$idx1,"doublon_idx"] <- df[i,"doublon_idx"]
  df[df$I != i & df$idx2 == df[i,]$idx2,"doublon_idx"] <- df[i,"doublon_idx"]
  df[df$I != i & df$idx3 == df[i,]$idx3,"doublon_idx"] <- df[i,"doublon_idx"]
}

(预期的)输出是:

  idx1 idx2 idx3 I doublon_idx
1  1_1  2_1  3_1 1           1
2  1_1  2_2  3_1 2           1
3  1_2  2_2  3_2 3           1
4  1_3  2_3  3_3 4           2
5  1_4  2_4  3_3 5           2
6  1_4  2_5  3_5 6           2
7  1_5  2_6  3_6 7           3
8  1_6  2_7  3_7 8           4
9  1_6  2_8  3_8 9           4

但我对此并不满意:它不是通用的，它使用循环，所以当表变大时速度很慢。我确信有一种合并的方式，或者是一种我没有找到的聪明的方式。你的是什么？是否可以推广到任意数量的分组索引？

dplyr 和 data.table 是受欢迎的(尽管我更喜欢 data.table 如果你可以两者都做的话)

Answer 1

不确定这对您的实际数据集有多快。下面是结合 igraph 和 data.table 的方法:

library(data.table)
setDT(df)[, rn := .I]

#create edges and idx* are your vertices
DT <- rbindlist(list(
  df[, .(s=idx1, e=idx2, rn)],
  df[, .(s=idx1, e=idx3, rn)],
  df[, .(s=idx2, e=idx3, rn)]))

#find linked clusters
library(igraph)
g <- graph_from_data_frame(DT, directed=FALSE)
cl <- clusters(g)$membership))

#look up cluster for each vertex
DT[, g := cl[s]]

#look up grouping for each vertex
df[unique(DT, by="rn"), on=.(rn), doublon_idx := g]

例如输出1:

   idx1 idx2 idx3 rn doublon_idx
1:  1_1  2_1  3_1  1           1
2:  1_1  2_2  3_1  2           1
3:  1_2  2_2  3_2  3           1
4:  1_3  2_3  3_3  4           2
5:  1_4  2_4  3_3  5           2
6:  1_4  2_5  3_5  6           2
7:  1_5  2_6  3_6  7           3
8:  1_6  2_7  3_7  8           4
9:  1_6  2_8  3_8  9           4

例如输出2:

   idx1 idx2 idx3 rn doublon_idx
1:  1_1  2_1  3_1  1           1
2:  1_1  2_2  3_1  2           1
3:  1_2  2_2  3_2  3           1
4:  1_3  2_3  3_3  4           2
5:  1_4  2_4  3_3  5           2
6:  1_4  2_5  3_5  6           2
7:  1_5  2_6  3_6  7           3
8:  1_6  2_7  3_7  8           4
9:  1_6  2_8  3_8  9           4