计算列 R 中出现的相似性答案

【问题标题】：Count similarity of occurrences across columns R计算列 R 中出现的相似性
【发布时间】：2022-07-20 11:35:49
【问题描述】：

我有以下数据：

df <- data.frame(
  group = c('r1','r2','r3','r4'),
  X1 = c('A','B','C','K'),
  X2 = c('A','C','M','K'),
  X3 = c('D','A','C','K')
)

> df
  group X1 X2 X3
1    r1  A  A  D
2    r2  B  C  A
3    r3  C  M  C
4    r4  K  K  K

我想根据X1、X2 和X3 列估算“相似度得分”。例如，在group r1（或第 1 行）内，3 个元素中有 2 个是相似的，因此得分为 2/3（~67%）。而group r4（或第 4 行），得分为 3/3 (100%)。期望的结果如下：

> df
  group X1 X2 X3 similarity_score
1    r1  A  A  D .67
2    r2  B  C  A .33
3    r3  C  M  C .67
4    r4  K  K  K 1

我怎样才能做到这一点？

【问题讨论】：

这是一个绝妙的问题，有很多绝妙的答案

标签： r dplyr

【解决方案1】：

另一种可能的解决方案：

library(dplyr)

df %>% 
  rowwise %>% 
  mutate(score = max(prop.table(table(c_across(X1:X3))))) %>% 
  ungroup

#> # A tibble: 4 × 5
#>   group X1    X2    X3    score
#>   <chr> <chr> <chr> <chr> <dbl>
#> 1 r1    A     A     D     0.667
#> 2 r2    B     C     A     0.333
#> 3 r3    C     M     C     0.667
#> 4 r4    K     K     K     1

甚至更短：

library(tidyverse)
df %>% mutate(score = pmap_dbl(across(X1:X3), ~ max(prop.table(table(c(...))))))

【讨论】：

不错的答案！不过，如果“3”没有被硬编码，这将更普遍。
@jdobres：我可以得到一个更短的替代方案来避免以前硬编码的3。

【解决方案2】：

你可以的

df$similarity <- round(apply(df[-1], 1, function(x) max(table(x))/length(x)), 2)

df
#>   group X1 X2 X3 similarity
#> 1    r1  A  A  D       0.67
#> 2    r2  B  C  A       0.33
#> 3    r3  C  M  C       0.67
#> 4    r4  K  K  K       1.00

^{由reprex package (v2.0.1) 于 2022-04-18 创建}

【讨论】：

【解决方案3】：

tidyverse 解决方案：

library(tidyverse)

df %>% 
  rowwise() %>% 
  mutate(
    similarity_score = max(colMeans(outer(c_across(-group), c_across(-group), `==`)))
  )

或者代替c_across，您可以使用nest 解决方案：

df %>% 
  group_by(group) %>% 
  nest(data = -group) %>% 
  rowwise() %>% 
  mutate(
    similarity_score = max(colMeans(outer(unlist(data), unlist(data), `==`)))
  ) %>% 
  unnest(data)

  group X1    X2    X3    similarity_score
  <chr> <chr> <chr> <chr>            <dbl>
1 r1    A     A     D                0.667
2 r2    B     C     A                0.333
3 r3    C     M     C                0.667
4 r4    K     K     K                1

【讨论】：

【解决方案4】：

作为另一种选择，我们可以一次存储所有出现的事件（而不是按行操作）：

tab = table(rep(df[, 1], ncol(df) - 1), as.matrix(df[, -1]))

然后，检索每行最多元素的比例：

tab = tab / rowSums(tab)
tab[cbind(1:nrow(df), max.col(tab))]
#[1] 0.6666667 0.3333333 0.6666667 1.0000000

【讨论】：

【解决方案5】：

另一种可能的选择是先旋转更长的时间进行汇总，然后再加入数据框。

library(tidyverse)

df %>%
  left_join(pivot_longer(., -group) %>%
              group_by(group) %>%
              summarise(score = round(max(table(value))/length(value), 2)))

输出

  group X1 X2 X3 score
1    r1  A  A  D  0.67
2    r2  B  C  A  0.33
3    r3  C  M  C  0.67
4    r4  K  K  K  1.00

【讨论】：

【解决方案6】：

这是基础 R 中的另一种方式：

df$score <- round(sapply(apply(df[,c(2:4)], 1, table), first) / 3, 2) 

#   group X1 X2 X3 similarity_score
# 1    r1  A  A  D             0.67
# 2    r2  B  C  A             0.33
# 3    r3  C  M  C             0.67
# 4    r4  K  K  K             1.00

【讨论】：