查找部分相似的字符串元素并汇总数据答案

【问题标题】：find partially similar string elements and summarize the data查找部分相似的字符串元素并汇总数据
【发布时间】：2018-10-23 19:40:49
【问题描述】：

我有一个数据集，我想根据（比如说）前三个字符来总结我的数据。实际上，连接列中具有相同 3 个首字母的行。例如：

df
title freq
ACM100    3
ACM200    2
ACM300    2
MAT11     1
MAT21     2
CMP00     3
CMP10     3

我想在标题前3个字符的标题上总结数据库并统计频率。

result:
title  freq
ACM    7
MAT    3
CMP    6

如果能在 R 中帮助我，将不胜感激。

【问题讨论】：

您的第一步是创建新字段，例如substr(df$title, 1, 3)，然后对其进行常规聚合/汇总。有很多关于 SO（包括 @CalumYou 刚刚发布的 group_by(letters) %>% summarise(...)）关于组聚合的 Q/A，以及从 base-R 到 dplyr 和 data.table 的多种类型的解决方案，具体取决于您当前的工具包。

标签： r regex summary

【解决方案1】：

我们可以使用separate将字母拆分成组，然后group_by和summarise得到想要的结果。

library(tidyverse)
df <- read_table2(
"title freq
ACM100    3
ACM200    2
ACM300    2
MAT11     1
MAT21     2
CMP00     3
CMP10     3"
)
df %>%
  separate(title, c("letters", "numbers"), sep = 3) %>%
  group_by(letters) %>%
  summarise(freq = sum(freq))
#> # A tibble: 3 x 2
#>   letters  freq
#>   <chr>   <int>
#> 1 ACM         7
#> 2 CMP         6
#> 3 MAT         3

由reprex package (v0.2.0) 于 2018 年 10 月 23 日创建。

【讨论】：

【解决方案2】：

您可以将aggregate 与transform 一起使用

aggregate(freq ~ title, transform(df, title = substr(title, 1, 3)), sum)
#   title freq
# 1   ACM    7
# 2   CMP    6
# 3   MAT    3

【讨论】：

【解决方案3】：

因为您用regex 标记了这个问题并且还没有收到data.table 的答案，所以这里还有一个选项供您选择

library(data.table)
setDT(df)
df[, .(freq = sum(freq)), by = .(title = sub("[0-9]+", "", title))]
#   title freq
#1:   ACM    7
#2:   MAT    3
#3:   CMP    6

【讨论】：

【解决方案4】：

这行得通。

df$firstletters <- substr(df$title,1,3)
df.grouped <- df %>% group_by(firstletters)
df.summarized <- df.grouped %>% summarize(count = sum(freq))
> df.summarized
# A tibble: 3 x 2
  firstletters count
  <chr>        <int>
1 ACM              7
2 CMP              6
3 MAT              3

【讨论】：