Select R 中每行重复次数最多的项目 data.table

Question

晚上好。

目前我有一个 R data.table 具有以下结构

name_match1 | name_match2 | name_match3 | real_value
COCA COLA     CACAO         COCA COLA     COCA.COLA
PEPSI         PEPSI         PEPSI         PEPCSI
MONSTER       MORE          MIRINDA       MSTER

其中每个 name_match 执行与 real_value 列的模糊匹配。然而，在某些情况下，模糊匹配的效果不佳或 real_value 可能是 impossible/hard 来检测（real_value 列具有用户插入的值。在某些情况下，这些输入未正确插入，因此甚至很难知道它指的是什么喜欢 MSTER 手机壳）。

我想做的是每行 select 重复次数最多的记录，如果有 none，则不要像下面的示例那样 select：

name_match1 | name_match2 | name_match3 | real_value | most_repeated_value | Times_repeated
COCA COLA     CACAO         COCA COLA     COCA.COLA    COCA COLA                  2
PEPSI         PEPSI         PEPSI         PEPCSI       PEPSI                      3
MONSTER       MORE          MIRINDA       MSTER        NULL                       0

但是我不知道如何在 R data.table 中执行此操作。我想知道是否有人知道执行此操作的方法？

Answer 1

如果没有唯一模式，我们可以将 How to find the statistical mode FAQ 的最佳答案调整为 return NA：

Mode <- function(x) {
  ux <- unique(x)
  tab = tabulate(match(x, ux))
  if(length(which(max(tab) == tab)) > 1) return(NA)
  return(ux[which.max(tab)])
}

然后我们需要将此函数应用于每一行的匹配列。

library(data.table)
dat = fread(text = 'name_match1  name_match2  name_match3  real_value
"COCA COLA"     CACAO         "COCA COLA"     COCA.COLA
PEPSI         PEPSI         PEPSI         PEPCSI
MONSTER       MORE          MIRINDA       MSTER')

dat[, result := apply(dat[, 1:3], 1, Mode)]
dat
#    name_match1 name_match2 name_match3 real_value    result
# 1:   COCA COLA       CACAO   COCA COLA  COCA.COLA COCA COLA
# 2:       PEPSI       PEPSI       PEPSI     PEPCSI     PEPSI
# 3:     MONSTER        MORE     MIRINDA      MSTER      <NA>

Select R 中每行重复次数最多的项目 data.table

Select most repeated item per row in R data.table

r

data.table