如何通过 ID 循环访问社区？答案

【问题标题】：How to Loop through communities by ID?如何通过 ID 循环访问社区？
【发布时间】：2020-12-20 15:57:48
【问题描述】：

我将在我的数据集中为数千个社区中的每一个找到前 10 个主题标签。数据集中的每个 user_name 都属于一个特定的社区（例如，“a”、“b”、“c”、“d”属于社区 0）。我的数据集样本只有 10 个社区，如下所示：

df <- data.frame(N = c(1,2,3,4,5,6,7,8,9,10),
                  user_name = c("a","b","c","d","e","f", "g", "h", "i", "j"),
                  community_id =c(0,0,0,0,1,1,2,2,2,3),
                  hashtags   = c("#illness, #ebola", "#coronavirus, #covid", "#vaccine, #lie", "#flue, #ebola, #usa", "#vaccine", "#flue", "#coronavirus", "#ebola", "#ebola, #vaccine", "#china, #virus") )

要查找每个社区（在以下情况下为社区 0）的前 10 个主题标签，我需要运行以下代码：

#select community 0
df_comm_0 <- df %>%
  filter (community == 0)

#remove NAs
df_comm_0 <- na.omit(df_comm_0)

#find top 10 hashtags
df_hashtags_0 <- df_comm_0 %>% 
unnest_tokens(hashtag, hashtags, token = "tweets") %>%
  count(hashtag, sort = TRUE) %>%
  top_n(10)

我知道使用循环可以使我免于运行我的代码约 15,000 次（数据集中的社区数量）。我不熟悉循环，即使搜索了几个小时，也无法编写循环。以下代码是我编写的，它为我提供了整个数据集的主题标签！

x <- (df$community_id)

for (val in x) {
  
print (
df %>%
unnest_tokens(hashtag, hashtags, token = "tweets") %>%
  count(hashtag, sort = TRUE) %>%
  top_n(10)
)
}
print()

有没有一种方法可以通过循环遍历所有社区并将每个社区的前 10 个主题标签输出到 1 个文件（或单独的文件）中来运行所有社区的主题标签频率？

非常感谢您的助手。

【问题讨论】：

您可以使用group_by(community)，而不是使用filter(community == 0)，然后为每个社区执行以下代码。但是，根据数据集的大小，dplyr 可能不可行，最好使用data.table

标签： r loops for-loop tweets

【解决方案1】：

aggregate社区您可以strsplit 逗号处的主题标签和unlist 它们：names 的前十个元素 sorted table 为您提供所需的前十个主题标签，您可以将其paste 恢复为原始格式。

aggregate(hash ~ community, df1, function(x)
  paste(names(sort(table(unlist(strsplit(x, ", "))), decreasing=TRUE)[1:5]),
        collapse=", "))
#    community                                                     hash
# 1          1            #covid, #fatalities, #china, #ebola, #illness
# 2          2                  #ebola, #lie, #usa, #covid, #fatalities
# 3          3                #vaccine, #ebola, #farright, #usa, #virus
# 4          4             #china, #vaccine, #flue, #virus, #conspiracy
# 5          5         #illness, #lie, #conspiracy, #ebola, #fatalities
# 6          6         #farright, #fatalities, #china, #ebola, #illness
# 7          7         #virus, #illness, #covid, #conspiracy, #farright
# 8          8                #lie, #china, #flue, #coronavirus, #covid
# 9          9        #conspiracy, #ebola, #fatalities, #farright, #lie
# 10        10 #china, #fatalities, #vaccine, #conspiracy, #coronavirus

为了清楚起见，我显示了前五个主题标签，前十个在函数中使用[1:10] 而不是[1:5]。

数据：

n <- 100
df1 <- data.frame(user=1:n, community=rep(1:(n/10), each=10))
set.seed(42)
df1$hash <- 
  replicate(n, paste(sample(c("#illness", "#ebola", "#coronavirus", "#covid",
                              "#vaccine",  "#lie", "#flue", "#usa", "#china",
                              "#fatalities", "#conspiracy", "#farright", 
                              "#virus"), 3), collapse=", "))

【讨论】：

【解决方案2】：

使用tidyverse 你可以这样做：

df %>%
  group_by(community_id) %>%
  tidytext::unnest_tokens(hashtags, hashtags) %>%
  count(hashtags)%>%
  slice_max(n, n = 5)%>%
  summarise(hashtags = toString(hashtags), .groups = 'drop')

【讨论】：

【解决方案3】：

拆分应用组合：

tt_by_cid <- Map(function(x){
  head(names(sort(table(unlist(strsplit(x, ", "))), decreasing = TRUE)), 10)}, 
with(df, split(sapply(hashtags, as.character), community_id)))

data.frame(do.call(rbind, mapply(cbind, "community_id" = names(tt_by_cid), 
       hashtags = tt_by_cid, SIMPLIFY = TRUE)), stringsAsFactors = FALSE, row.names = NULL)

【讨论】：