3

我刚刚对两个数据集执行了概率链接。称为“数据”的输出数据集包含两个原始数据集 ID_A 和另一个 ID_B 的标识号，以及关联分数“match_score”。

ID_A<-c('123','124','125','125','126','127','127','128','129')
ID_B<-c('777','778','787','799','762','762','777','999','781')
Match_score<-c(28.1,15.6,19.7,18.9,36.1,55.1,28.7,19.5,18.2)
data<-data.frame(ID_A,ID_B,Match_score)

ID_A 和 ID_B 有多种组合。我只想选择要配对的顶部链接，然后将它们从选择过程中删除以进行进一步的链接。理想的输出是...

ID_A     ID_B     Match_score 
127       762       55.1
123       777       28.1
125       787       19.7
128       999       19.5
129       781       18.2
124       778       15.6

ID_A：由于 ID_B (762)，126 不匹配，另一个 ID_A (127) 的 match_score 更高。

ID_B：799 不匹配，因为 ID_A(125) 与 (787) 的 match_score 更大

任何帮助将不胜感激！

我有解决 SAS 问题的方法，但是我很难转换为 R。

proc sort data=one;
  by descending match_score ID_A ID_B;
run;

data want;
 if _n_=1 then do;
  dcl hash ha();
  ha.definekey('ID_A');
  ha.definedone();
  dcl hash hb();
  hb.definekey('ID_B');
  hb.definedone();
 end;
set one;
if ha.check()*hb.check() then do;
 output;
 ha.add();
 hb.add();
end;
run;
4

1 回答 1

1

我试着按照你的逻辑。即使下面的代码看起来有点乱，我认为这是使用base R.

map_A <- data[duplicated(data$ID_A),]$ID_A

for(i in map_A) {
    temp <- data[data$ID_A== i,]
    index <- row.names(temp[which.min(temp$Match_score),])
    data <- data[row.names(data)!= index,]
}

map_B <-data[duplicated(data$ID_B),]$ID_B

for(i in map_B) {
    temp <- data[data$ID_B== i,]
    index <- row.names(temp[which.min(temp$Match_score),])
    data <- data[row.names(data)!= index,]
}
data[order(-data$Match_score),]

给，

  ID_A ID_B Match_score
  127  762        55.1
  123  777        28.1
  125  787        19.7
  128  999        19.5
  129  781        18.2
  124  778        15.6
于 2019-09-11T21:39:41.690 回答