我有一个“长格式”数据框，其中包含 id（主键）和 featureCode（分类变量）列。每条记录都有 1 到 9 个分类变量值。例如：
id featureCode
5 PPLC
5 PCLI
6 PPLC
6 PCLI
7 PPL
7 PPLC
7 PCLI
8 PPLC
9 PPLC
10 PPLC
我想计算每个功能代码与其他功能代码一起使用的次数（标题的“成对计数”）。在这个阶段，每个特征码的使用顺序并不重要。我设想结果将是另一个数据框，其中行和列是特征代码，单元格是计数。例如：
PPLC PCLI PPL
PPLC 0 3 1
PCLI 3 0 1
PPL 1 1 0
不幸的是，我不知道如何执行此计算，并且在搜索建议时我一直处于空白状态（我怀疑主要是因为我不知道正确的术语）。
【问题讨论】：
这是一个类似于@mrdwab 的data.table 方法
如果featureCode 是character 效果最好
library(data.table)
DT <- data.table(dat)
# convert to character
DT[, featureCode := as.character(featureCode)]
# subset those with >1 per id
DT2 <- DT[, N := .N, by = id][N>1]
# create all combinations of 2
# return as a data.table with these as columns `V1` and `V2`
# then count the numbers in each group
DT2[, rbindlist(combn(featureCode,2,
FUN = function(x) as.data.table(as.list(x)), simplify = F)),
by = id][, .N, by = list(V1,V2)]
V1 V2 N
1: PPLC PCLI 3
2: PPL PPLC 1
3: PPL PCLI 1
【讨论】：
DT2 的位置。
simplify = FALSE 是一个选项，然后才弄清楚如何返回正确维度 data.table 的时间。
如果您不需要确切的结构，而只需要获得成对计数，您可以尝试这种方法：
这是您的数据：
dat <- read.table(header = TRUE,
text = "id featureCode
5 PPLC
5 PCLI
6 PPLC
6 PCLI
7 PPL
7 PPLC
7 PCLI
8 PPLC
9 PPLC
10 PPLC")
我们只对有多个featureCode 的ids 感兴趣：
dat2 <- dat[ave(dat$id, dat$id, FUN=length) > 1, ]
将这些数据作为列表将很有用，因为它可以让我们使用lapply 来获得成对组合。
dat2 <- split(dat2$featureCode, dat2$id)
如果您愿意，可以将下一步分解为中间部分，但基本思想是在每个列表项中创建向量组合，然后将未列出的输出制成表格。
table(unlist(lapply(dat2, function(x)
combn(sort(x), 2, FUN = function(y)
paste(y, collapse = "+")))))
#
# PCLI+PPL PCLI+PPLC PPL+PPLC
# 1 3 1
稍加修改，@flodel 对another question 的回答适用于此处。它需要安装 igraph 包 (install.packages("igraph"))。
dat2 <- dat[ave(dat$id, dat$id, FUN=length) > 1, ]
dat2 <- split(dat2$featureCode, dat2$id)
library(igraph)
g <- graph.edgelist(matrix(unlist(lapply(dat2, function(x)
combn(as.character(x), 2, simplify = FALSE))), ncol = 2, byrow=TRUE),
directed=FALSE)
get.adjacency(g)
# 3 x 3 sparse Matrix of class "dgCMatrix"
# PPLC PCLI PPL
# PPLC . 3 1
# PCLI 3 . 1
# PPL 1 1 .
【讨论】：
我会使用 SQL，在 R 中它可以通过 sqldf 包获得。
提取所有可能的组合，例如：
sqldf("select distinct df1.featureCode, df2.featureCode
from df df1, df df2
")
然后你可以提取结果元素：
（也许只对所有组合使用 for 循环）
PCLI - PPLC
sqldf("select count(df1.id)
from df df1, df df2
where df1.id = df2.id
and df1.featureCode = 'PCLI' and df2.featureCode = 'PPLC'
")
PPLC-PPL
sqldf("select count(df1.id)
from df df1, df df2
where df1.id = df2.id
and df1.featureCode = 'PPLC' and df2.featureCode = 'PPL'
")
PCLI - PPL
sqldf("select count(df1.id)
from df df1, df df2
where df1.id = df2.id
and df1.featureCode = 'PCLI' and df2.featureCode = 'PPL'
")
肯定有一些更简单的解决方案，特别是如果您需要考虑更多组合。也许搜索列联表可以帮助您。
【讨论】：
我认为另一种解决方案在概念上很容易理解。您在这里有一个二分图，只需将该图投影到“featureCode”顶点上即可。以下是使用 igraph 包执行此操作的方法：
dat <- read.table(header = TRUE, stringsAsFactors=FALSE,
text = "id featureCode
5 PPLC
5 PCLI
6 PPLC
6 PCLI
7 PPL
7 PPLC
7 PCLI
8 PPLC
9 PPLC
10 PPLC")
g <- graph.data.frame(dat, vertices=unique(data.frame(c(dat[,1], dat[,2]),
type=rep(c(TRUE, FALSE), each=nrow(dat)))))
get.adjacency(bipartite.projection(g)[[1]], attr="weight", sparse=FALSE)
# PPLC PCLI PPL
# PPLC 0 3 1
# PCLI 3 0 1
# PPL 1 1 0
【讨论】：