2

我想知道如何按 group计算不匹配的情况。

让我们想象这是我的数据:

sek = rbind(c(1, 'a', 'a', 'a'), 
        c(1, 'a', 'a', 'a'), 
        c(2, 'b', 'b', 'b'), 
        c(2, 'c', 'b', 'b'))

colnames(sek) <- c('Group', paste('t', 1:3, sep = ''))

数据看起来像这样

     Group t1  t2  t3 
[1,] "1"   "a" "a" "a"
[2,] "1"   "a" "a" "a"
[3,] "2"   "b" "b" "b"
[4,] "2"   "c" "b" "b"

为了得到类似的东西

Group 1 : 0 
Group 2 : 1 

stringdist使用库来计算它会很有趣。

就像是

seqdistgroupStr = function(x) stringdistmatrix(x, method = 'hamming')

sek %>% 
  as.data.frame() %>% 
  group_by(Group) %>% 
  seqdistgroupStr() 

但它不起作用。

有任何想法吗 ?

快速更新:您将如何解决权重问题?例如,在设置两个字符之间的不匹配时,我如何传递一个参数 - 一个值 (1,2,3, ...)。就像b 和 c之间的不匹配花费2,而a 和 c之间的不匹配花费1等等。

4

5 回答 5

6

这是另一个dplyr不需要将数据转换为长/宽形式的解决方案:

library(dplyr)
sek = rbind(c(1, 'a', 'a', 'a'), 
            c(1, 'a', 'a', 'a'), 
            c(2, 'b', 'b', 'b'), 
            c(2, 'c', 'b', 'b')) %>%
    data.frame

colnames(sek) <- c('Group', paste('t', 1:3, sep = ''))

sek %>% 
    group_by(Group) %>%
    distinct(t1, t2, t3) %>%
    summarise(number_of_mismatches = n() - 1)
于 2015-07-07T23:53:40.850 回答
3

下面的代码将按组为您提供不匹配的数量,其中不匹配定义为每个组级别的每列 t1、t2 等中的唯一值数量少一。我认为,仅当您需要的不仅仅是不匹配的二进制度量时,您才需要引入字符串距离度量,但是对于您给出的示例,二进制度量就足够了。此外,如果您想要的只是每个组中不同行的数量,那么@Alex 的解决方案更简洁。

library(dplyr)
library(reshape2)

sek %>% as.data.frame %>%
  melt(id.var="Group") %>%
  group_by(Group, variable) %>%
  summarise(mismatch = length(unique(value)) - 1) %>%
  group_by(Group) %>%
  summarise(mismatch = sum(mismatch))

  Group mismatch
1     1        0
2     2        1

这是计算单个不匹配的更短的dplyr方法。它不需要重塑,但它需要其他数据体操:

sek %>% as.data.frame %>%
  group_by(Group) %>%
  summarise_each(funs(length(unique(.)) - 1)) %>%
  mutate(mismatch = rowSums(.[-1])) %>%
  select(-matches("^t[1-3]$"))
于 2015-07-07T23:38:11.353 回答
3

另一个想法:

library(dplyr)
library(tidyr)

data.frame(sek) %>%
  gather(key, value, -Group) %>%
  group_by(Group) %>%
  summarise(dist = n_distinct(value)-1)

这使:

#Source: local data frame [2 x 2]
#
#  Group dist
#1     1    0
#2     2    1
于 2015-07-07T23:48:52.460 回答
2
m <- matrix(apply(sek[,-1], 1, paste, collapse=''))
newdf <- as.data.frame(cbind(sek[,1], m))
names(newdf) <- c('Group', 'value')
newdf %>% group_by(Group) %>% summarize(count = length(unique(value))-1)
#  Group count
#1     1     0
#2     2     1
于 2015-07-07T23:41:19.300 回答
2

基础包:

aggregate(cbind(dist = Groups) ~ Groups, 
          data = unique(sek), 
          FUN = function(x){NROW(x)-1})

sqldf

library(sqldf)
df <- rbind(c(1, "a", "a", "a"), 
            c(1, "a", "a", "a"), 
            c(2, "b", "b", "b"), 
            c(2, "c", "b", "b"))
df <- as.data.frame(df)
colnames(df)[1] <- "Groups"
sqldf("SELECT Groups, COUNT(Groups)-1 AS Dist 
      FROM (SELECT DISTINCT * FROM df) 
      GROUP BY Groups")

输出:

  Groups Dist
1      1    0
2      2    1
于 2015-07-10T10:15:05.403 回答