如何将数据框中第一行的字符串与其他每一行进行比较，并计算 R 中不匹配的数量？

Question

我有一个包含数千行和几列的数据框，我需要在其中计算字符变量从第一行到其他每一行的变化（row1–row2、row1–row3、row1–row4，...）和将更改总数输出到新列中。

df <- data_frame(
  a = c("1 2", "1 2", "2 2", "2 2"),
  b = c("2 1", "1 2", "1 2","1 2"),
  c = c("1 1", "1 2", "2 1","2 2"),
  d = c("1 1", "1 1", "2 1","2 1")
)

df
a     b     c     d    
  <chr> <chr> <chr> <chr>
1 1 2   2 1   1 1   1 1  
2 1 2   1 2   1 2   1 1  
3 2 2   1 2   2 1   2 1  
4 2 2   1 2   2 2   2 1

我想统计第1行到第2行、第1行到第3行等每个元素之间的字符不匹配情况。这样我就明白了：

   a     b     c     d   e   
1 1 2   2 1   1 1   1 1  NA #No mismatches to count since this is the first row. 
2 1 2   1 2   1 2   1 1  3 
3 2 2   1 2   2 1   2 1  5
4 2 2   1 2   2 2   2 1  6

关于如何实现这一点有什么想法吗？

Answer 1

一个dplyr和purrr方法可以是：

bind_cols(df, df %>%
           mutate_all(~ strsplit(., " ", fixed = TRUE)) %>%
           mutate_all(~ map2_int(.x = ., .y = .[1], ~ sum(.x != .y))) %>%
           transmute(e = rowSums(select(., everything()))))

  a     b     c     d         e
  <chr> <chr> <chr> <chr> <dbl>
1 1 2   2 1   1 1   1 1       0
2 1 2   1 2   1 2   1 1       3
3 2 2   1 2   2 1   2 1       5
4 2 2   1 2   2 2   2 1       6

或仅使用 dplyr:

bind_cols(df, df %>%
           mutate_all(~ rowSums(drop(attr(adist(., first(.), count = TRUE), "counts")))) %>%
           transmute(e = rowSums(select(., everything()))))

Answer 2

您还可以这样做：

library(dplyr)
library(purrr)

df %>%
  mutate(e = pmap(., ~toString(c(...)) %>% charToRaw),
         e = map_dbl(e, ~ sum(.x != e[[1]])))

# A tibble: 4 x 5
  a     b     c     d         e
  <chr> <chr> <chr> <chr> <dbl>
1 1 2   2 1   1 1   1 1       0
2 1 2   1 2   1 2   1 1       3
3 2 2   1 2   2 1   2 1       5
4 2 2   1 2   2 2   2 1       6

Answer 3

您可以将基础 R 矩阵与 stringdist 程序包一起使用，以获得更简单、更灵活的解决方案（即，如果您的数据包含更复杂的字符串）：

library(stringdist)

m <- t(df)
df$e <- colSums(matrix(stringdist(m[,1], m), ncol(df)))

输出:

  a     b     c     d         e
  <chr> <chr> <chr> <chr> <dbl>
1 1 2   2 1   1 1   1 1       0
2 1 2   1 2   1 2   1 1       3
3 2 2   1 2   2 1   2 1       5
4 2 2   1 2   2 2   2 1       6

如何将数据框中第一行的字符串与其他每一行进行比较，并计算 R 中不匹配的数量？

How to compare strings from the first row to every other row in a data frame and count the number of mismatches in R?

compare

r

rows