根据 R 中的 table 关键字对数据进行分组的最佳方法是什么

Question

我有以下用于分组数据的字典

 1. [aa11, aa21, aa31, aa34],      "group A"
 2. [x23z, x22z, x32z, x35z, x34z],"group B"
 3. [lg32z, lg22z, lg84x, lg94y],  "group C"
 4. ...

数据中的列本身也可能有多个代码。我想要的是使用上面的字典并将组分配给数据：

 1. [aa31, aa34], "group A"
 2. [lg94z],      "group C"
 3. [lg84x],      "group C"
 4. [x22z, x23z]  "group B"

将记录分配给第一个 table 中描述的特定组的最佳方法是什么。

到目前为止我的想法：是否应该首先对数据进行重塑（标记化），使“字典”table 和处理后的 table 中的每条记录都有一个代码？

Answer 1

有两种情况：

您的代码变量可能包含多个代码，但都来自同一组。
您的代码变量可能包含多个代码，但它们可能来自不同的组。

两种解决方案的查找输入

library(tidyverse)
library(tidytext)

lookup <-  data.frame(code  = c("[aa11, aa21, aa31, aa34]",
                                "[x23z, x22z, x32z, x35z, x34z]",
                                "[lg32z, lg22z, lg84x, lg94y]"),
                      group = c("group A", "group B", "group C"))

lookup_long <- lookup %>%
  unnest_tokens(words, code, "words")

1 的解决方案

您有一个好主意，首先将查找和输入数据标记化，然后根据单词标记进行匹配。如果您的代码变量中有多个代码，我假设您只想保留一次信息，即只有一列包含组信息。

df_1 <- data.frame(code = c("[aa31, aa34]", "[lg94y]", "[lg84x]", "[x22z, x23z]"),
                   id   = 1:4)

df_1 %>%
  unnest_tokens(code_new, code, "words", drop = FALSE) %>%
  left_join(lookup_long, by = c("code_new" = "words")) %>%
  group_by(id) %>%
  distinct(group, .keep_all = TRUE) %>%
  ungroup() %>%
  select(-id, -code_new)

给出：

# A tibble: 4 x 2
  code         group  
  <chr>        <chr>  
1 [aa31, aa34] group A
2 [lg94y]      group C
3 [lg84x]      group C
4 [x22z, x23z] group B

2 的解决方案

大体思路是一样的，只是为了存储所有代码的组信息，需要稍微改造一下。

df_2 <- data.frame(code = c("[aa31, aa34]", "[lg94y]", "[lg84x]", "[x22z, x23z]", "[x22z, aa11]"),
                   id   = 1:5)

df_2 %>%
  unnest_tokens(code_new, code, "words", drop = FALSE) %>%
  left_join(lookup_long, by = c("code_new" = "words")) %>%
  group_by(id) %>%
  distinct(group, .keep_all = TRUE) %>%
  mutate(id_wide = 1:n()) %>%
  ungroup() %>%
  pivot_wider(values_from  = group,
              names_from   = id_wide,
              names_prefix = "group_",
              id_cols      = code)

给出：

# A tibble: 5 x 3
  code         group_1 group_2
  <chr>        <chr>   <chr>  
1 [aa31, aa34] group A <NA>   
2 [lg94y]      group C <NA>   
3 [lg84x]      group C <NA>   
4 [x22z, x23z] group B <NA>   
5 [x22z, aa11] group B group A

Answer 2

标记化可能是最好的方法。您可以像这样手动查找 table：

a <- gsub("]", "", lookup$pattern, fixed = TRUE)
a <- gsub("[", "", a, fixed = TRUE)
a <- gsub(" ", "", a, fixed = TRUE)
b <- strsplit(a, ",")
c <- Map(cbind, b, lookup$group)
d <- data.frame(do.call(rbind, c))
colnames(d) <- c("value", "group")
d
#>    value   group
#> 1   aa11 group A
#> 2   aa21 group A
#> 3   aa31 group A
#> 4   aa34 group A
#> 5   x23z group B
#> 6   x22z group B
#> 7   x32z group B
#> 8   x35z group B
#> 9   x34z group B
#> 10 lg32z group C
#> 11 lg22z group C
#> 12 lg84x group C
#> 13 lg94y group C

或者您可以跳过分词和“模糊连接”：

a <- gsub(", ", "|", lookup$pattern, fixed = TRUE)
a <- gsub("[", "", a, fixed = TRUE)
a <- gsub("]", "", a, fixed = TRUE)
lookup2 <- cbind(lookup,a)
lookup2
#>                          pattern   group                        a
#> 1       [aa11, aa21, aa31, aa34] group A      aa11|aa21|aa31|aa34
#> 2 [x23z, x22z, x32z, x35z, x34z] group B x23z|x22z|x32z|x35z|x34z
#> 3   [lg32z, lg22z, lg84x, lg94y] group C  lg32z|lg22z|lg84x|lg94y

for(i in 1:nrow(lookup2)){
  df[grepl(pattern = lookup2$a[i], x = df$V1),"V3"] <- lookup2$group[i]
}
df
#>             V1      V2      V3
#> 1 [aa31, aa34] group A group A
#> 2      [lg94z] group C    <NA>
#> 3      [lg84x] group C group C
#> 4 [x22z, x23z] group B group B
Created on 2021-09-22 by the reprex package (v2.0.1)

数据：

lookup <- data.frame(
  pattern = c("[aa11, aa21, aa31, aa34]",
              "[x23z, x22z, x32z, x35z, x34z]",
              "[lg32z, lg22z, lg84x, lg94y]"),
  group = c("group A", "group B", "group C"))

df <- data.frame(
  V1 = c("[aa31, aa34]", "[lg94z]", "[lg84x]", "[x22z, x23z]"),
  V2 = c("group A", "group C", "group C", "group B"))

请注意，您输入的数据中有错字，因此 returns NA 在 df[2,"V3"]。我很确定循环可以矢量化，我只是暂时想不出如何。有什么事我会更新的。

根据 R 中的 table 关键字对数据进行分组的最佳方法是什么

What would be the best approach for grouping data according to a table of keywords in R

r

tidyverse

stringr

tidytext