在 R 中对数据框进行双重循环（使用 Levenshtein Dist 比较行）的最聪明方法？

Question

我在几条记录上制作了 paramStrings 的 df：

             idName                                          Str
1         Аэрофлот_Эконом 95111000210102121111010100111000100110101001
2        Аэрофлот_Комфорт 95111000210102121111010100111000100110101001
3         Аэрофлот_Бизнес 96111000210102121111010100111000100110101001
4       Трансаэро_Дисконт 26111000210102120000010100001010000010001000
5 Трансаэро_Туристический 26111000210002120000010100001010000010001000
6        Трансаэро_Эконом 26111000210002120000010100001010000010001000

现在我需要用一个 levenshtainDist 将每个与其他的进行比较，它作为一个函数（str1，str2）工作，所以我显然需要双循环。但是，我很确定应该有一种简洁的矢量化 (apply/lapply/sapply) 方法来做到这一点，但是我找不到任何类似的解决方案...

Answer 1

函数 adist 计算广义 Levenshtein 距离。这是你需要的吗？

假设您的数据在 data.frame 中，使用：adist(mydf$Str) 将 return 一个矩阵，其中每对 Str 列之间的距离。

Answer 2

因为你有一个 data.frame 我认为做双循环的最好方法是 lapply/sapply 双循环，它与 data.frames 一起工作很好:

例如：

df1 <- data.frame(a=1:20,b=1:20) #example dataframe

a <- data.frame(lapply(1:nrow(df1), function(x) {
                  sapply(1:nrow(df1), function(y) {
                    sum( df1[x,2], df1[y,2]) #I just add the two cells (I only use the second column here for the demonstration) / replace with your function
                  }
                  )
                } 
                )
    )
colnames(a) <- 1:20 #change names

第一个 lapply 将 return nrow(df1) 列表，每个列表内将是一个 nrow(df1) 观察向量（函数的评估）。这意味着你将有一个 nrow(df1)xnrow(df1) 列表，它可以很方便地转换为 data.frame ，就像我在上面所做的那样。因此你有一个 nrow(df1)xnrow(df1) data.frame.

上面的输出：

> str(a)
'data.frame':   20 obs. of  20 variables:
 $ 1 : int  2 3 4 5 6 7 8 9 10 11 ...
 $ 2 : int  3 4 5 6 7 8 9 10 11 12 ...
 $ 3 : int  4 5 6 7 8 9 10 11 12 13 ...
 $ 4 : int  5 6 7 8 9 10 11 12 13 14 ...
 $ 5 : int  6 7 8 9 10 11 12 13 14 15 ...
 $ 6 : int  7 8 9 10 11 12 13 14 15 16 ...
 $ 7 : int  8 9 10 11 12 13 14 15 16 17 ...
 $ 8 : int  9 10 11 12 13 14 15 16 17 18 ...
 $ 9 : int  10 11 12 13 14 15 16 17 18 19 ...
 $ 10: int  11 12 13 14 15 16 17 18 19 20 ...
 $ 11: int  12 13 14 15 16 17 18 19 20 21 ...
 $ 12: int  13 14 15 16 17 18 19 20 21 22 ...
 $ 13: int  14 15 16 17 18 19 20 21 22 23 ...
 $ 14: int  15 16 17 18 19 20 21 22 23 24 ...
 $ 15: int  16 17 18 19 20 21 22 23 24 25 ...
 $ 16: int  17 18 19 20 21 22 23 24 25 26 ...
 $ 17: int  18 19 20 21 22 23 24 25 26 27 ...
 $ 18: int  19 20 21 22 23 24 25 26 27 28 ...
 $ 19: int  20 21 22 23 24 25 26 27 28 29 ...
 $ 20: int  21 22 23 24 25 26 27 28 29 30 ...

您甚至可以将其添加到一个函数中，并创建一种通用的双循环方式。

P.S。请记住，使用家族 apply 的任何函数都不是向量化的，但比 for-loop.

效果更好

Answer 3

另一种方法是计算要比较的行的组合，然后使用 'mapply'。我假设您想一次比较矩阵中的两行：

# get combinations
cbn <- combn(nrow(your_data), 2)  # take 2 at a time
ans <- mapply(dist_function
            , your_data[cbn[1, ], 1]
            , your_data[cbn[2, ], 1]
            )

在 R 中对数据框进行双重循环（使用 Levenshtein Dist 比较行）的最聪明方法？

Smartest way to double loop over a data frame (comparing rows to each other with a Levenshtein Dist) in R?

r

levenshtein-distance