R：按字符串/列表分组并计算列中的比例

Question

（编辑：数据标签并不总是三的倍数） 考虑如下数据：

some_tags <- c("cat|hat", 
               "cat|hat|hog", 
               "cat|bat",
               "bat|hat|dog",
               "rat")
set.seed(2)
data.frame(clusters=sample.int(3, 5,replace = T),
           tag=some_tags)

生成的数据框是

  clusters         tag
1        1     cat|hat
2        3 cat|hat|hog
3        2     cat|bat
4        1 bat|hat|dog
5        3         rat

我想对集群进行分组，以给出“标签”（由竖线分隔）在该集群中出现的次数比例。例如以下将是期望的结果

clusters    tag     prop
        1   hat      1.0
        1   dog      0.5
        1   cat      0.5
        1   bat      0.5
        2   cat      1.0
        2   bat      1.0
... (cluster 3 results not shown)

我正在考虑使用 strsplit 和 table 之类的东西，但不知道是否有更简单的方法来使用 dplyr。

Answer 1

这是使用tidyverse 的解决方案，说明了您可以使用不同的组数来获得所需结果的一些方法。 add_count 告诉我们每个集群有多少行，separate_rows 将每行拆分为三个，因此每个标签都有自己的行；然后我们可以group_bycluster 和tag 并使用n() 告诉我们每个集群中有多少个标签，然后除以每个集群的总标签得到一个比例。我们必须使用first，因为这是在summarise 调用中，否则我们会创建一个太长的向量。

df <- structure(list(clusters = c(1L, 3L, 2L, 1L, 3L), tag = structure(c(3L, 4L, 2L, 1L, 5L), .Label = c("bat|hat|dog", "cat|bat|dog", "cat|hat|dog", "cat|hat|hog", "rat|mat|hog"), class = "factor")), class = "data.frame", row.names = c(NA, -5L))

library(tidyverse)
df %>%
  add_count(clusters) %>%
  separate_rows(tag, sep = "\\|") %>%
  group_by(clusters, tag) %>%
  summarise(prop = first(n()) / first(n))
#> # A tibble: 12 x 3
#> # Groups:   clusters [?]
#>    clusters tag    prop
#>       <int> <chr> <dbl>
#>  1        1 bat     0.5
#>  2        1 cat     0.5
#>  3        1 dog     1  
#>  4        1 hat     1  
#>  5        2 bat     1  
#>  6        2 cat     1  
#>  7        2 dog     1  
#>  8        3 cat     0.5
#>  9        3 hat     0.5
#> 10        3 hog     1  
#> 11        3 mat     0.5
#> 12        3 rat     0.5

由reprex package (v0.2.0) 于 2018 年 6 月 20 日创建。