1

我现在一直是 StackExchange Lurker，但之前在 R 中找到这个问题的运气并不好，所以我为此创建了一个用户名。

基本上我有一个客户和商店的数据集（大约 26 万客户和 300 家商店，大多数客户访问至少 10 家独特的商店），我想看看哪些网站与客户重叠最多（即网站 A 和 B 共享这个许多客户，A 和 C 那么多，......对于所有成对的网站）。

可重现的例子：

begindata<-data.frame(customer_id=c(1,2,3,1,2,3,4,1,4,5), site_visited=c('A', 'A', 'A', 'B', 'B', 'B', 'B', 'C', 'D', 'D'))

如果可能的话，我希望看到以下内容：

final_table<-data.frame(site_1=c('A', 'A', 'A', 'B', 'B', 'C'), site_2=c('B', 'C', 'D', 'C', 'D', 'D'), number_of_commonalities=c(3, 1,1,1,1,0))

我曾尝试根据 customer_id 将 begindata 加入到自身中，类似这样......

attempted_df<-begindata %>% left_join(begindata, by="customer_id") %>% count(site_visited.x, site_visited.y)

我知道这是多余的（走 A、B、3 的行；B、A、3；以及走 A、A、3 的行）。

但是，由于大小限制，这不能用我的实际数据集（260k 成员和 300 个站点）执行。

任何建议将不胜感激！如果我的帖子很糟糕，也要对我放轻松——我想我已经遵守了规则和建议？

4

1 回答 1

2

我们可以使用combn

number_of_commonalities <- combn(unique(begindata$site_visited), 2, 
    FUN = function(x) with(begindata, 
    length(intersect(customer_id[site_visited == x[1]], 
     customer_id[site_visited == x[2]]))))

names(number_of_commonalities) <- combn(unique(begindata$site_visited), 2, 
         FUN = paste, collapse="_")

stack(number_of_commonalities)[2:1]
于 2020-10-07T00:10:05.567 回答