从数据帧行中挖掘序列

Question

长期寻求答案的人，第一次提问的人。我有一个 R 数据框，它是单列，267,000 行，有 17 个因子，如下所示：

regions
VE
PU
PR
DE
NU
AD
DE
NO
AD

我试图将它们提取为列序列，长度为 2 和 3，然后向下移动 1 行并重复直到结束。重复并订购礼物。我想把上面的内容做成这样：

s1   s2
VE   PU
PU   PR
PR   DE
DE   NU
NU   AD
AD   DE
DE   NO

我试过使用像 TraMinEr 和 ArulesSequences 这样的包，但我无法理解它们。我认为这是因为我的序列是纯粹的状态，没有附加时间信息，甚至在源数据集中也没有。我也尝试制作自己的迭代器脚本，但没有成功。我无休止地用谷歌搜索，但我无能为力。我不知道该怎么做。最终目标是将输出与 2 或 3 排列数据帧匹配，二值化与 1 匹配，0 表示不匹配，并将 x49 处理成新的数据帧。

我不是编程或 R 方面的专家，只是一个新手。有人知道可以执行此操作的脚本或程序包吗？

Answer 1

您基本上想要做的是将没有最后一次观察的 regions 分配给 s1，将没有第一次观察的 regions 分配给 s2。你不一定需要额外的包。有几种方法：

1) 使用head和tail函数

有了这些，您可以获得没有最后一次观察 (head(column, -1)) 或没有第一次观察 (tail(column, -1)) 的向量。

使用：

new.df <- data.frame(s1 = head(df$regions,-1), s2 = tail(df$regions,-1))

将因此得到你：

> new.df
  s1 s2
1 VE PU
2 PU PR
3 PR DE
4 DE NU
5 NU AD
6 AD DE
7 DE NO
8 NO AD

如果你想要三列，你可以这样做：

new.df <- data.frame(s1 = head(df$regions,-2), 
                     s2 = head(tail(df$regions,-1),-1),
                     s3 = tail(df$regions,-2))

这导致：

> new.df
  s1 s2 s3
1 VE PU PR
2 PU PR DE
3 PR DE NU
4 DE NU AD
5 NU AD DE
6 AD DE NO
7 DE NO AD

2) 基本子集化

作为 head 和 tail 函数的替代方法，您还可以使用基本子集：

new.df <- data.frame(s1 = df$regions[-nrow(df)], 
                     s2 = df$regions[-1])

3) 使用 embed-函数

n <- 3
new.df <- data.frame(embed(df$regions, n)[,n:1])
names(new.df) <- paste0('s',1:n)

给出：

> new.df
  s1 s2 s3
1 VE PU PR
2 PU PR DE
3 PR DE NU
4 DE NU AD
5 NU AD DE
6 AD DE NO
7 DE NO AD

4) 使用 data.table-package

中的 shift-函数

data.table 包中的 shift 函数也可能是一个选项：

library(data.table)
dt <- as.data.table(df)
new.dt <- na.omit(dt[, .(s1 = regions,
                         s2 = shift(regions, 1, NA, 'lead'),
                         s3 = shift(regions, 2, NA, 'lead'))])

您还可以在 is.na:

上使用 rowSums 而不是 na.omit

new.dt <- dt[, .(s1 = regions,
                 s2 = shift(regions, 1, NA, 'lead'),
                 s3 = shift(regions, 2, NA, 'lead'))]

new.dt[rowSums(is.na(new.dt))==0]

Answer 2

您还可以在包 dplyr:

中使用 transmute 和 lead

df1 <-read.table(text="regions
VE
PU
PR
DE
NU
AD
DE
NO
AD",header=TRUE, stringsAsFactors=FALSE)

library(dplyr)
df1 %>% transmute(s1=regions,s2=lead(regions)) %>%na.omit

  s1 s2
1 VE PU
2 PU PR
3 PR DE
4 DE NU
5 NU AD
6 AD DE
7 DE NO
8 NO AD

如果您想要 3 的序列，您可以使用 lead(regions,2)

添加另一列

df1 %>% transmute(s1=regions,s2=lead(regions),s3=lead(regions,2)) %>%na.omit
  s1 s2 s3
1 VE PU PR
2 PU PR DE
3 PR DE NU
4 DE NU AD
5 NU AD DE
6 AD DE NO
7 DE NO AD

从数据帧行中挖掘序列

Mining sequences from data frame rows

r

sequence

dataframe

arules

traminer