R - 按组计算不匹配

Question

我想知道如何按组计算不匹配 个案例。

让我们想象这是我的数据：

sek = rbind(c(1, 'a', 'a', 'a'), c(1, 'a', 'a', 'a'), c(2, 'b', 'b', 'b'), c(2, 'c', 'b', 'b')) colnames(sek) <- c('Group', paste('t', 1:3, sep = ''))

数据是这样的

Group t1 t2 t3 [1,] "1" "a" "a" "a" [2,] "1" "a" "a" "a" [3,] "2" "b" "b" "b" [4,] "2" "c" "b" "b"

为了得到类似
的东西
Group 1 : 0 Group 2 : 1

最好使用 stringdist 库来计算它。

类似于

seqdistgroupStr = function(x) stringdistmatrix(x, method = 'hamming') sek %>% as.data.frame() %>% group_by(Group) %>% seqdistgroupStr()

但它不起作用。

有什么想法吗？

快速更新: 你会如何解决权重问题？例如，当在两个字符之间设置 mistmatch 时，我如何传递一个参数 - 一个值 (1,2,3, ...)。就像 b 和 c 之间的 mismatch 成本 2 而 mismatch 在 a 和 c 之间花费 1 等等。

Answer 1

下面的代码将为您提供按组划分的不匹配数，其中不匹配被定义为比组的每个级别的每列 t1、t2 等中的唯一值的数量少一个。我认为只有当您需要的不仅仅是不匹配的二进制度量时，您才需要引入字符串距离度量，但是二进制度量足以满足您给出的示例。另外，如果你想要的只是每组中不同行的数量，那么@Alex 的解决方案更简洁。

library(dplyr)
library(reshape2)

sek %>% as.data.frame %>%
  melt(id.var="Group") %>%
  group_by(Group, variable) %>%
  summarise(mismatch = length(unique(value)) - 1) %>%
  group_by(Group) %>%
  summarise(mismatch = sum(mismatch))

  Group mismatch
1     1        0
2     2        1

这里有一个较短的 dplyr 方法来计算单个不匹配项。不需要reshaping，但是需要其他数据体操：

sek %>% as.data.frame %>%
  group_by(Group) %>%
  summarise_each(funs(length(unique(.)) - 1)) %>%
  mutate(mismatch = rowSums(.[-1])) %>%
  select(-matches("^t[1-3]$"))

Answer 2

m <- matrix(apply(sek[,-1], 1, paste, collapse=''))
newdf <- as.data.frame(cbind(sek[,1], m))
names(newdf) <- c('Group', 'value')
newdf %>% group_by(Group) %>% summarize(count = length(unique(value))-1)
#  Group count
#1     1     0
#2     2     1

Answer 3

另一个想法：

library(dplyr)
library(tidyr)

data.frame(sek) %>%
  gather(key, value, -Group) %>%
  group_by(Group) %>%
  summarise(dist = n_distinct(value)-1)

给出：

#Source: local data frame [2 x 2]
#
#  Group dist
#1     1    0
#2     2    1

Answer 4

这是另一个 dplyr 解决方案，不需要将数据转换为 long/wide 形式：

library(dplyr)
sek = rbind(c(1, 'a', 'a', 'a'), 
            c(1, 'a', 'a', 'a'), 
            c(2, 'b', 'b', 'b'), 
            c(2, 'c', 'b', 'b')) %>%
    data.frame

colnames(sek) <- c('Group', paste('t', 1:3, sep = ''))

sek %>% 
    group_by(Group) %>%
    distinct(t1, t2, t3) %>%
    summarise(number_of_mismatches = n() - 1)

Answer 5

基础包：

aggregate(cbind(dist = Groups) ~ Groups, 
          data = unique(sek), 
          FUN = function(x){NROW(x)-1})

与sqldf:

library(sqldf)
df <- rbind(c(1, "a", "a", "a"), 
            c(1, "a", "a", "a"), 
            c(2, "b", "b", "b"), 
            c(2, "c", "b", "b"))
df <- as.data.frame(df)
colnames(df)[1] <- "Groups"
sqldf("SELECT Groups, COUNT(Groups)-1 AS Dist 
      FROM (SELECT DISTINCT * FROM df) 
      GROUP BY Groups")

输出：

  Groups Dist
1      1    0
2      2    1

R - 按组计算不匹配

R - Compute Mismatch By Group

r

sequence

dplyr

hamming-distance