为不同列的重复创建 ID

Question

我在这个概念上尝试了很多，

我有一个包含 3 列名称的 data.frame Custname、Email、Mobile_no：

Custname    Email         Mobile_no
aaa        xyz@gmail.com    987
bbb        xyz@gmail.com    123
ccc        xyz0@gmail.com   987
ddd        abc@gmail.com    123
eee        xyz0@gmail.com   100

实际上这些客户属于同一组，因为手机号码和电子邮件在列中相同，但客户名称不同。

我想创建一个唯一的 ID，他们都具有相同的手机的电子邮件与电子邮件列匹配，并且相同的电子邮件的移动与手机号码列匹配。

我通过使用duplicated 和paste 函数进行了很多尝试。

作为补充说明，我不想要group_by 客户，实际上 987 来自两个不同的客户（aaa 和 CCC），但两个不同的客户有不同的电子邮件 xyz 和 xyz。在这封邮件中 xyz 与客户 eee 匹配，所以 (aaa ccc eee) 都是同一个组，就像 wise email 一样。

感谢您的帮助

Answer 1

实际上，您的问题是组件的图形分离。在您的情况下，图的顶点是人。根据属性信息，即电子邮件和电话号码，您可以建立边缘关系。

看起来像paste 或duplicate 或group_by 这样的简单方法无效，因为您可以有相当复杂的路径。正如您所解释的那样，人 D 和人 E 具有完全不同的联系人，实际上他们是通过人 C 连接的，因此应该具有相同的 ID。

或者换句话说，有人在网站上注册了电子邮件A 和移动B。然后他把手机丢了。并在手机C上注册。然后他忘记了密码并使用电子邮件D注册。最后，我们有电子邮件D 和移动C 的人。不知什么原因，他注册了不同的名字。

你可能有更复杂的关系路径。

下面的算法使用igraph 根据您的条件创建的邻接矩阵制作无向图。在它识别出未连接的组件后，将其提取并与初始data.frame 合并。由于您的示例中没有足够的数据，因此使用了模拟。

模拟输入：

   name tel    email
1   AAA 222 F@xy.com
2   BBB 555 C@xy.com
3   CCC 333 E@xy.com
4   DDD 666 D@xy.com
5   EEE 666 A@xy.com
6   FFF 111 F@xy.com
7   GGG 444 B@xy.com
8   HHH 666 A@xy.com
9   III 444 B@xy.com
10  JJJ 333 F@xy.com

代码

library(igraph)
set.seed(123)
n <- 10

# simulation
df <- data.frame(
  name = sapply(1:n, function(i) paste0(rep(LETTERS[i], 3), collapse = "")),
  tel = sample(1:6, n, replace = TRUE) * 111,
  email = paste0(sample(LETTERS[1:6], n, replace = TRUE), "@xy.com")
)

# adjacency matrix preparation
df1 <- expand.grid(df$name, df$name)
names(df1) <- c("name_x", "name_y")

df1 <- merge(df1, df, by.x = "name_x", by.y = "name")
df1 <- merge(df1, df, by.x = "name_y", by.y = "name")
df1$con <- ifelse(with(df1, tel.x == tel.y | email.x == email.y), 1, 0)

stats::reshape(df1[, c(1, 2, 7)], idvar = "name_x", timevar = "con", direction = "wide")
#v.names = , timevar = "numbers", direction = "wide")
library(igraph)


library(reshape2)
m <- dcast(df1[, c(1, 2, 7)], name_y ~ name_x)
rownames(m) <- m[, 1]
m[, 1] <- NULL
m <- as.matrix(m) 
diag(m) <- 0

# graph creation
g1 <- graph_from_adjacency_matrix(m, mode = "undirected")
gcmps <- groups(components(g1))

# groups extraction
ids <- unlist(mapply(function(x, y) paste0(x, "_", y), seq_along(gcmps), gcmps))
df_ids <- as.data.frame(t(sapply(ids, function(x) unlist(strsplit(x, "_")))))
names(df_ids) <- c("id", "name")

# data merging
result <- merge(df, df_ids)
result

输出：

   name tel    email
1   AAA 222 F@xy.com
2   BBB 555 C@xy.com
3   CCC 333 E@xy.com
4   DDD 666 D@xy.com
5   EEE 666 A@xy.com
6   FFF 111 F@xy.com
7   GGG 444 B@xy.com
8   HHH 666 A@xy.com
9   III 444 B@xy.com
10  JJJ 333 F@xy.com

关系图（只取名字的首字母）