基于多列组合R中的数据帧行

Question

我在R中有一个数据帧，每行有一个个体。 有时，个人出现在两行，我想根据重复的ID组合这些行。

问题是，每个人都有多个ID，当ID出现两次时， 它不一定出现在同一列中 。

这是一个示例数据框：

dat <- data.frame(a = c('cat', 'canine', 'feline', 'dog'),
                  b = c('feline', 'puppy', 'meower', 'wolf'),
                  c = c('kitten', 'barker', 'kitty', 'canine'),
                  d = c('shorthair', 'collie', '', ''),
                  e = c(1, 5, 3, 8))

> dat
       a      b      c         d e
1    cat feline kitten shorthair 1
2 canine  puppy barker    collie 5
3 feline meower  kitty           3
4    dog   wolf canine           8

这样行1和3应结合，因为ID b行1的ID等于a行3.同样的，ID a排2的等于ID c 4行的，所以那些行应结合为好。

理想情况下，输出应该如下所示。

     a.1    b.1    c.1       d.1 e.1    a.2    b.3    c.2 d.2 e.2
1    cat feline kitten shorthair   1 feline meower  kitty       3
2 canine  puppy barker    collie   5    dog   wolf canine       8

（请注意，根据作为空字符串的共享ID，未合并行。）

关于如何做到这一点的我的想法如下，但我很确定我已经走错了路，所以他们可能没有帮助解决问题。

我以为我可以为每一行分配行ID，然后融化数据。 在那之后，我可以逐行。 当我找到其中一个ID与前一行匹配的行时（例如，当第3行ID中的一个与第1行ID之一匹配时），我将更改当前行的行ID的每个实例以匹配先前的行ID （例如，所有行ID为3将更改为1）。

这是我一直在使用的代码：

dat$row.id <- 1:nrow(dat)
library(reshape2)
dat.melt <- melt(dat, id.vars = c('e', 'row.id'))
for (i in 2:nrow(dat.melt)) {
  # This next step is just to ignore the empty values
  if (grepl('^[[:space:]]*$', dat.melt$value[i])) {
    next
  }
  earlier.instance <- dat.melt$row.id[which(dat.melt$value[1:(i-1)] == dat.melt$value[i])]
  if (length(earlier.instance) > 0) {
    earlier.row.id <- earlier.instance[1]
    dat.melt$row.id[dat.melt$row.id == dat.melt$row.id[i]] <- earlier.row.id
  }
}

这种方法存在两个问题。

1. 可能是第3行中的ID与第1行匹配，第5行中的不同ID与第3行匹配。在这种情况下，第3行和第5行的行ID应更改为1.这意味着它很重要顺序遍历行，这导致我使用for循环，而不是apply函数。 我知道这不是很像R，而且我使用的大数据框架非常慢。
2. 此代码生成下面的输出。 现在有多行具有相同的row.id和variable ，所以我不知道如何转换它以获得我上面显示的那种输出。 在这里使用dcast将被迫使用聚合函数。

输出：

   e row.id variable     value
1  1      3        a       cat
2  5      2        a    canine
3  3      3        a    feline
4  8      2        a       dog
5  1      3        b    feline
6  5      2        b     puppy
7  3      3        b    meower
8  8      2        b      wolf
9  1      3        c    kitten
10 5      2        c    barker
11 3      3        c     kitty
12 8      2        c    canine
13 1      3        d shorthair
14 5      2        d    collie
15 3      3        d          
16 8      2        d          

Answer 1

新答案。 有一些乐趣（/挫折）通过这个工作。 我敢肯定这不是最快的解决方案，但它应该让你过去我的其他答案。 让我解释：

dat <- data.table(a = c('cat', 'canine', 'feline', 'dog', 'cat','fido'),
                  b = c('feline', 'puppy', 'meower', 'wolf', 'kitten', 'dog'),
                  c = c('kit', 'barker', 'kitty', 'canine', 'feline','wolf'),
                  d = c('shorthair', 'collie', '', '','',''),
                  e = c(1, 2, 3, 4, 5, 6))

dat[, All := paste(a, b,c),]

两个更改： dat$e现在是一个索引列，因此它只是它所在行的数字位置。 如果e非常重要，您可以创建一个新列来替换它。

下面是第一个循环。 这使得3分新列FirstMatchingID等，这些都是像以前一样：他们给出的最早（最低行号）的折射率匹配dat$All的a b和c 。

for(i in 2:nrow(dat)) {
  x <- grepl(dat[i]$a, dat[i-(1:i)]$All)
  y <- max(which(x %in% TRUE))
  dat[i, FirstMatchingID := dat[i-y]$e]

  x2 <- grepl(dat[i]$b, dat[i-(1:i)]$All)
  y2 <- max(which(x2 %in% TRUE))
  dat[i, SecondMatchingID := dat[i-y2]$e]

  x3 <- grepl(dat[i]$c, dat[i-(1:i)]$All)
  y3 <- max(which(x3 %in% TRUE))
  dat[i, ThirdMatchingID := dat[i-y3]$e]

}

接下来，我们使用pmin查找MatchingID列的最早匹配行，并将其设置在自己的列中。 这是如果你有一个匹配a行25和匹配b行12; 它会给你12（我认为这是你想要的根据你的问题）。

dat$MinID <- pmin(dat$FirstMatchingID, dat$SecondMatchingID, dat$ThirdMatchingID, na.rm=T)

最后，这个循环将完成3件事，创建一个FinalID列，其中包含来自e所有匹配的ID号：

1. 其中MinID为NA （无匹配），将FinalID设置为e
2. 如果MinID是一个数字，找到该行（最早的匹配）并检查其 MinID是否为数字; 如果不是，则没有先前的匹配，并将FinalID设置为MinID
3. 不符合上述条件的行是特殊情况，其中i最早匹配的行本身具有较早的匹配。 这将找到匹配并将其设置为FinalID 。

for (i in 1:nrow(dat)) { x <- dat[i]$MinID if (is.na(dat[i]$MinID)) { dat[i, FinalID := e] } else if (is.na(dat[x]$MinID)) { dat[i, FinalID := MinID] } else dat[i, FinalID := dat[x]$MinID] }

我认为应该这样做; 让我知道事情的后续。 我没有声称它的效率或速度。

Answer 2

这是一次业余尝试。 我认为它可以满足您的需求。 我已经将data.frame（现在是data.table）扩展了两行，以提供更好的示例。

此循环创建一个新列dat$FirstMatchingID ，其中包含来自最早匹配的dat$e的ID。 我只是为了匹配第一列， dat$a ，但我认为它可以很容易地扩展到b和c 。

library(data.table)

dat <- data.table(a = c('cat', 'canine', 'feline', 'dog', 'feline','puppy'),
                  b = c('feline', 'puppy', 'meower', 'wolf', 'kitten', 'dog'),
                  c = c('kitten', 'barker', 'kitty', 'canine', 'cat','wolf'),
                  d = c('shorthair', 'collie', '', '','',''),
                  e = c(1, 5, 3, 8, 4, 6))

dat[, All := paste(a, b,c),]

for(i in 2:nrow(dat)) {
  print(dat[i])
  x <- grepl(dat[i]$a, dat[i-(1:i)]$All)
  y <- max(which(x %in% TRUE))
  dat[i, FirstMatchingID := dat[i-y]$e]
}

结果：

        a      b      c         d e                 All FirstMatchingID
1:    cat feline kitten shorthair 1   cat feline kitten              NA
2: canine  puppy barker    collie 5 canine puppy barker              NA
3: feline meower  kitty           3 feline meower kitty               1
4:    dog   wolf canine           8     dog wolf canine              NA
5: feline kitten    cat           4   feline kitten cat               1
6:  puppy    dog   wolf           6      puppy dog wolf               5

然后，您必须找出如何组合行以获得所需结果，但希望这会有所帮助！