在 R 中按条件列出来自 data.frame 的（几乎）相等的列

Question

先不详

我有data.frames 这样的人：

  val1 val2 val3 val4 val5
1  1.1    2  1.1  2.1  4.2
2  5.7    5  5.6  4.9  9.9
3  3.1    3  3.2  2.9  5.9
4  9.6    1  9.5  1.0  2.0

并希望获得（几乎）相等的行。期望的结果类似于

[1] "val1" "val2" "val5"

因为列val3 几乎等于val1，val4 几乎等于val2 和val5 是不同的。

详情：

• “几乎”相等是什么意思（只是下面列出的选项之一）：
  
  • 值的绝对差值小于一个固定数字（以上示例为 0.2）
  • 值的相对差异小于固定数字（样本约为 11%）
  • 其他有意义的指标 ;-)
• 线性相关列的列表会更好（但我认为这更复杂）（这意味着val5 也是由val2 和val4 组成的组的一部分，因为它大致价值的两倍）
• 它不必非常快，O(n^2) 就可以了。 （我的框架只有大约 12 行和 300 列）
• 如果这不可能，那么完全相等的列的列表也可以以某种方式工作。然后我会在之前应用round() 函数

Answer 1

复制您的数据：

structure(list(val1 = c(1.1, 5.7, 3.1, 9.6), val2 = c(2L, 5L, 
3L, 1L), val3 = c(1.1, 5.6, 3.2, 9.5), val4 = c(2.1, 4.9, 2.9, 
1), val5 = c(4.2, 9.9, 5.9, 2)), .Names = c("val1", "val2", "val3", 
"val4", "val5"), class = "data.frame", row.names = c("1", "2", 
"3", "4"))
x
  val1 val2 val3 val4 val5
1  1.1    2  1.1  2.1  4.2
2  5.7    5  5.6  4.9  9.9
3  3.1    3  3.2  2.9  5.9
4  9.6    1  9.5  1.0  2.0

创建一个函数。该机制是围绕基本 R 函数 duplicated 进行包装，该函数具有一个用于处理列的数组的方法，这与只处理行的 data.frames 的方法不同。另外，我按照您的说法对每一列进行四舍五入，但您可以指定位数作为参数。

not_duplicated <- function(x, round_digits, margin=2){
  x2 <- apply(x, margin, round, round_digits)  
  colnames(x)[!duplicated(x2, MARGIN=margin)]
}

结果与您指定的一样：

x <- as.matrix(x)
not_duplicated(x, 0)
[1] "val1" "val2" "val5"

Answer 2

如何选择哪些行是相等的还不是很明确；例如，您可以有三列，其中 A 和 B “相等”，B 和 C “相等”，但 A 和 C 不相等。那该怎么办？解决这个问题的一种方法可能是使用层次聚类，可能是这样的：

使用Andrie答案中的数据，先转置，做成矩阵；我还将标准化每一行（什么是一列）作为寻找线性组合的开始；这将对彼此精确倍数的行进行分组，但不是更复杂的组合。

d <- t(as.matrix(d))
s <- rowSums(d)
ds <- sweep(d, 1, s, `/`)

我们现在制作一棵树，为了感兴趣，绘制它。这使用默认的距离函数（欧几里得），但其他的也是可能的。

tree <- hclust(dist(ds))
plot(tree)

然后我们选择将树分成组的位置（在这里您可以选择两个必须有多接近才能“相等”）；我将它与值的总和一起输出，以查看是否是另一个的倍数。

> grp <- cutree(tree, h=0.1)
> cbind(grp, s)

     grp    s
val1   1 19.5
val2   2 11.0
val3   1 19.4
val4   2 10.9
val5   2 22.0