[英]Select most repeated item per row in R data.table
晚上好。
目前我有一个 R data.table
具有以下结构
name_match1 | name_match2 | name_match3 | real_value
COCA COLA CACAO COCA COLA COCA.COLA
PEPSI PEPSI PEPSI PEPCSI
MONSTER MORE MIRINDA MSTER
其中每个name_match
与real_value
列执行模糊匹配。 但是,在某些情况下,模糊匹配效果不佳或real_value
可能无法/难以检测( real_value
列具有用户插入的值。这些输入在某些情况下未正确插入,因此使甚至很难知道它指的是什么,比如 MSTER 案例)。
我想做的是每行 select 重复最多的记录,如果没有,那么不要 select 像下面的例子:
name_match1 | name_match2 | name_match3 | real_value | most_repeated_value | Times_repeated
COCA COLA CACAO COCA COLA COCA.COLA COCA COLA 2
PEPSI PEPSI PEPSI PEPCSI PEPSI 3
MONSTER MORE MIRINDA MSTER NULL 0
但是我不知道如何在 R data.table
中执行此操作。 我想知道是否有人知道执行此操作的方法?
如果没有唯一模式,我们可以调整如何查找统计模式常见问题解答中的最佳答案以返回NA
:
Mode <- function(x) {
ux <- unique(x)
tab = tabulate(match(x, ux))
if(length(which(max(tab) == tab)) > 1) return(NA)
return(ux[which.max(tab)])
}
然后我们需要将此 function 应用于每行的匹配列。
library(data.table)
dat = fread(text = 'name_match1 name_match2 name_match3 real_value
"COCA COLA" CACAO "COCA COLA" COCA.COLA
PEPSI PEPSI PEPSI PEPCSI
MONSTER MORE MIRINDA MSTER')
dat[, result := apply(dat[, 1:3], 1, Mode)]
dat
# name_match1 name_match2 name_match3 real_value result
# 1: COCA COLA CACAO COCA COLA COCA.COLA COCA COLA
# 2: PEPSI PEPSI PEPSI PEPCSI PEPSI
# 3: MONSTER MORE MIRINDA MSTER <NA>
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.