基于多列组合R中的数据框行

Question

我在 R 中有一个数据框，每行一个。有时，个人出现在两行，我想根据重复的ID将这些行合并。

问题是，每个人都有多个ID，当一个ID出现两次时，不一定出现在同一列。

这是一个示例数据框：

dat <- data.frame(a = c('cat', 'canine', 'feline', 'dog'),
                  b = c('feline', 'puppy', 'meower', 'wolf'),
                  c = c('kitten', 'barker', 'kitty', 'canine'),
                  d = c('shorthair', 'collie', '', ''),
                  e = c(1, 5, 3, 8))

> dat
       a      b      c         d e
1    cat feline kitten shorthair 1
2 canine  puppy barker    collie 5
3 feline meower  kitty           3
4    dog   wolf canine           8

所以第1行和第3行应该合并，因为第1行的IDb等于第3行的IDa。同样，第2行的IDa等于IDc 第 4 行，所以这些行也应该合并。

理想情况下，输出应如下所示。

     a.1    b.1    c.1       d.1 e.1    a.2    b.3    c.2 d.2 e.2
1    cat feline kitten shorthair   1 feline meower  kitty       3
2 canine  puppy barker    collie   5    dog   wolf canine       8

（请注意，行不是根据空字符串的共享 ID 合并的。）

我对如何做到这一点的想法如下，但我很确定我走错了路，所以它们可能对解决问题没有帮助。

我想我可以为每一行分配一个行ID，然后融化数据。之后，我可以逐行通过。当我发现其中一个 ID 与较早的行匹配的行时（例如，当第 3 行的一个 ID 与第 1 行的一个 ID 匹配时），我将更改当前行的行 ID 的每个实例以匹配较早的行 ID （例如，3 的所有行 ID 都将更改为 1）。

这是我一直在使用的代码：

dat$row.id <- 1:nrow(dat)
library(reshape2)
dat.melt <- melt(dat, id.vars = c('e', 'row.id'))
for (i in 2:nrow(dat.melt)) {
  # This next step is just to ignore the empty values
  if (grepl('^[[:space:]]*$', dat.melt$value[i])) {
    next
  }
  earlier.instance <- dat.melt$row.id[which(dat.melt$value[1:(i-1)] == dat.melt$value[i])]
  if (length(earlier.instance) > 0) {
    earlier.row.id <- earlier.instance[1]
    dat.melt$row.id[dat.melt$row.id == dat.melt$row.id[i]] <- earlier.row.id
  }
}

这种方法有两个问题。

可能是第 3 行中的一个 ID 与第 1 行匹配，而第 5 行中的另一个 ID 与第 3 行匹配。在这种情况下，第 3 行和第 5 行的行 ID 都应更改为 1。这意味着按顺序遍历行很重要，这导致我使用 for 循环，而不是 apply 函数。我知道这不是很像 R，而且我使用的大型数据框非常慢。
此代码产生以下输出。现在有多行具有相同的 row.id 和 variable，所以我不知道如何转换它以获得上面显示的那种输出。这里使用dcast会强制使用聚合函数

输出：

   e row.id variable     value
1  1      3        a       cat
2  5      2        a    canine
3  3      3        a    feline
4  8      2        a       dog
5  1      3        b    feline
6  5      2        b     puppy
7  3      3        b    meower
8  8      2        b      wolf
9  1      3        c    kitten
10 5      2        c    barker
11 3      3        c     kitty
12 8      2        c    canine
13 1      3        d shorthair
14 5      2        d    collie
15 3      3        d          
16 8      2        d

Answer 1

这是一个业余尝试。我认为它做了一些你想要的。我扩展了 data.frame（现在是 data.table）两行以提供更好的示例。

此循环创建一个新列 dat$FirstMatchingID，其中包含来自 dat$e 的最早匹配项的 ID。我这样做只是为了匹配第一列，dat$a，但我认为它可以很容易地扩展到 b 和 c。

library(data.table)

dat <- data.table(a = c('cat', 'canine', 'feline', 'dog', 'feline','puppy'),
                  b = c('feline', 'puppy', 'meower', 'wolf', 'kitten', 'dog'),
                  c = c('kitten', 'barker', 'kitty', 'canine', 'cat','wolf'),
                  d = c('shorthair', 'collie', '', '','',''),
                  e = c(1, 5, 3, 8, 4, 6))

dat[, All := paste(a, b,c),]

for(i in 2:nrow(dat)) {
  print(dat[i])
  x <- grepl(dat[i]$a, dat[i-(1:i)]$All)
  y <- max(which(x %in% TRUE))
  dat[i, FirstMatchingID := dat[i-y]$e]
}

结果：

        a      b      c         d e                 All FirstMatchingID
1:    cat feline kitten shorthair 1   cat feline kitten              NA
2: canine  puppy barker    collie 5 canine puppy barker              NA
3: feline meower  kitty           3 feline meower kitty               1
4:    dog   wolf canine           8     dog wolf canine              NA
5: feline kitten    cat           4   feline kitten cat               1
6:  puppy    dog   wolf           6      puppy dog wolf               5

然后您必须找出您希望如何组合行以获得您想要的结果，但希望这对您有所帮助！

Answer 2

新答案。通过这个工作有一些乐趣（/挫败感）。我确定这不是最快的解决方案，但它应该可以让您超越我的其他答案停止的地方。让我解释一下：

dat <- data.table(a = c('cat', 'canine', 'feline', 'dog', 'cat','fido'),
                  b = c('feline', 'puppy', 'meower', 'wolf', 'kitten', 'dog'),
                  c = c('kit', 'barker', 'kitty', 'canine', 'feline','wolf'),
                  d = c('shorthair', 'collie', '', '','',''),
                  e = c(1, 2, 3, 4, 5, 6))

dat[, All := paste(a, b,c),]

两个变化：dat$e 现在是一个索引列，所以它只是它所在行的数字位置。如果 e 在其他方面很重要，您可以创建一个新列来替换它。

下面是第一个循环。这使得 3 个新列 FirstMatchingID 等。这些与以前一样：它们给出最早（最低行 #）匹配 dat$All 的索引 a b 和 c.

for(i in 2:nrow(dat)) {
  x <- grepl(dat[i]$a, dat[i-(1:i)]$All)
  y <- max(which(x %in% TRUE))
  dat[i, FirstMatchingID := dat[i-y]$e]

  x2 <- grepl(dat[i]$b, dat[i-(1:i)]$All)
  y2 <- max(which(x2 %in% TRUE))
  dat[i, SecondMatchingID := dat[i-y2]$e]

  x3 <- grepl(dat[i]$c, dat[i-(1:i)]$All)
  y3 <- max(which(x3 %in% TRUE))
  dat[i, ThirdMatchingID := dat[i-y3]$e]

}

接下来，我们使用pmin找到第MatchingID列中最早匹配的行，并将其设置在自己的列中。这是为了防止您在第 25 行中匹配 a 并在第 12 行中匹配 b；它会给你 12（根据你的问题，我假设这是你想要的）。

dat$MinID <- pmin(dat$FirstMatchingID, dat$SecondMatchingID, dat$ThirdMatchingID, na.rm=T)

最后，这个循环将做 3 件事，创建一个 FinalID 列，其中包含来自 e:

的所有匹配 ID 号

其中 MinID 为 NA（无匹配）设置 FinalID 为 e
如果 MinID 是一个数字，找到该行（最早匹配）并检查 its MinID 是否是一个数字；如果不是，则没有较早的匹配项并将 FinalID 设置为 MinID
不符合上述条件的行是您的特殊情况，其中行 i 的最早匹配项本身有一个较早的匹配项。这将找到该匹配项并将其设置为 FinalID.

for (i in 1:nrow(dat)) { x <- dat[i]$MinID if (is.na(dat[i]$MinID)) { dat[i, FinalID := e] } else if (is.na(dat[x]$MinID)) { dat[i, FinalID := MinID] } else dat[i, FinalID := dat[x]$MinID] }

我认为应该这样做；让我知道事情的后续。我对它的效率或速度没有任何声明。

基于多列组合R中的数据框行

Combine data frame rows in R based on multiple columns

r

dataframe

reshape2