5

对于只有因子列的给定数据框，我想列出所有因子组合，最多可显示未出现在数据中的m属性。下面是一个简单的例子：

d <- expand.grid(w=factor(1:2), x=factor(1:2), y=factor(1:2),
                 z=factor(1:2))

# These combinations are removed by tail():
rmcomb <- 5; head(d, rmcomb)

##   w x y z
## 1 1 1 1 1
## 2 2 1 1 1
## 3 1 2 1 1
## 4 2 2 1 1
## 5 1 1 2 1


d <- tail(d, -rmcomb)
ftable(d, row.vars=c("w", "x"))

##     y 1   2  
##     z 1 2 1 2
## w x          
## 1 1   0 1 0 1
##   2   0 1 1 1
## 2 1   0 1 1 1
##   2   0 1 1 1

对于m == 3，我们考虑 中最多三个属性的所有 4 + 6 + 4 = 14 组合d：

m <- 3
library(plyr)
llply(
  1:m,
  function(i) combn(ncol(d), i, simplify=F)
) -> cc
unlist(cc, recursive=F) -> cc
length(cc)

## [1] 14

现在，我们可以使用 将选定的数据列制成表格table，并使用which来查找带有零的条目：

llply(
  cc,
  function(cols) {
    which(table(d[, cols]) == 0, arr.ind=T) -> z
    colnames(z) <- names(d)[cols]
    if (nrow(z) > 0) list(z) else NULL
  }
) -> zz
unlist(zz, recursive=F)

## [[1]]
##   y z
## 1 1 1
## 
## [[2]]
##   w x z
## 1 1 1 1
## 
## [[3]]
##   w y z
## 1 1 1 1
## 2 2 1 1
## 
## [[4]]
##   x y z
## 1 1 1 1
## 2 2 1 1

但是，上面的结果中的项目[[3]]和[[4]]是多余的，因为它们被项目覆盖[[1]]（=没有观察到y == 1, z == 1）。解决方案应该是这样(y,z) == (1,1); (w,x,z) == (1,1,1)。

R 中是否有内置工具可以用更少的编码解决问题，可能包括删除冗余（=覆盖）元组？如果没有，您将如何删除上述代码的这些冗余项？

4

3 回答 3

3

以下是您如何继续您的算法来挑选这些序列。首先，让我们将您的列表转换为矩阵，并填写 NA。我发现这更容易处理，但我相信通过一些努力，您也可以使其与列表一起使用：

m = as.matrix(rbind.fill(lapply(zz, as.data.frame)))
#      y z  w  x
#[1,]  1 1 NA NA
#[2,] NA 1  1  1
#[3,]  1 1  1 NA
#[4,]  1 1  2 NA
#[5,]  1 1 NA  1
#[6,]  1 1 NA  2

现在让我们介绍一个函数，它将告诉我们由 给出的矩阵的每一行subseq是否是 的“子序列” seq，这意味着它已经被seqOP 的定义所涵盖：

is.subsequence = function(seq, subseq) {
  comp = seq == t(subseq)

  rowSums(t(is.na(comp) == is.na(seq) &
            matrix(!(comp %in% FALSE), nrow = length(seq)))) == length(seq)
}

剩下的就是遍历矩阵并丢弃被覆盖的序列。zz由于from OP的自动排列，我们可以从上到下执行此操作。

i = 1
while(i < nrow(m)) {
  m = rbind(m[1:i,], tail(m, -i)[!is.subsequence(m[i,], tail(m, -i)),])

  i = i+1
}

m
#      y z  w  x
#[1,]  1 1 NA NA
#[2,] NA 1  1  1

如果您愿意，您可以返回列表：

apply(m, 1, na.omit)
于 2013-08-20T19:20:40.853 回答
2

如果您的数据可能是稀疏的，并且 m 不是非常小（例如 m = 5 或更大），那么可能有很多很多的值组合不会出现在数据中，并且它们可能具有高冗余度，因此“缩写”的缺失值组合集明显小于完整集。在这种情况下，从一般编程的角度来看，您最好重新组织，以便递归地构建数据中未出现的最多 m 个值的所有组合的集合（深度优先递归），并且当您找到一个新的缺失值元组，那么你就不会再递归了。这会自动防止输出中的任何冗余，并通过避免探索冗余元组来节省时间。集合和/或哈希表将允许您在恒定时间内检查数据中是否存在特定的值组合。当然，与 c/c++ 相比，在 R 这样的解释语言中，递归函数调用会慢得多。我还没有看到任何 R 包基本上可以自动执行您想要的操作，所以如果您想要一个普遍有效的解决方案，我个人的建议是转向像 c/c++ 这样的语言，并且您始终可以使用 R c/c++ 集成框架这样您的 c/c++ 函数就可以从 R 调用。

于 2013-08-16T18:43:02.020 回答
1

这是一种基于确定总值集的方法，然后删除数据中已经存在的值。它显然要求总的可能性集不要太大。

d <- expand.grid(rep(list(factor(1:2)), 4))
names(d) <- c("w", "x", "y", "z")

# Remove 5 combinations randomly
d_miss <- d[-sample(nrow(d), 5), ]

# To find which ones are missing, build up a complete list
# (this will be the same as d in this case, but obviously
# you don't normally have d)
vals <- lapply(d_miss, unique)
all_combs <- expand.grid(vals)

# Now collapse each data frame to a single value, then
# figure out which ones are missing. There's lots of ways 
# of doing this, this is the approach plyr uses: 
# (you could also use interaction, or paste the values together)
all <- plyr::id(all_combs)
some <- plyr::id(d_miss)

# Here are the missing 
all_combs[setdiff(all, some), ]
于 2013-08-17T18:35:04.050 回答