查找共享列信息 - 一个最不常见的祖先问题答案

【问题标题】：finding shared column information - a least common ancestor question查找共享列信息 - 一个最不常见的祖先问题
【发布时间】：2019-03-08 00:15:40
【问题描述】：

我有一个由树状信息列组成的 data.frame 对象。例如，我搜索了一组特征 (query_name) 并返回了一组潜在匹配项 (match_name)。每场比赛都有一个关联的位置，分为continent、country、region 和town。

我想解决的问题是，对于给定的query_name，找到所有潜在匹配项共有的位置信息。

例如，用这个示例数据：

query_name <- c(rep("feature1", 3), rep("feature2", 2), rep("feature3", 4))
match_name <- paste0("match", seq(1:9))
continent <- c(rep("NorthAmerica", 3), rep("NorthAmerica", 2), rep("Europe", 4))
country <- c(rep("UnitedStates", 3), rep("Canada", 2), rep("Germany", 4))
region <- c(rep("NewYork", 3), "Ontario", NA, rep("Bayern", 2), rep("Berlin", 2))
town <- c("Manhattan", "Albany", "Buffalo", "Toronto", NA, "Munich", "Nuremberg", "Berlin", "Frankfurt")

data <- data.frame(query_name, match_name, continent, country, region, town)

我们会生成这个 data.frame 对象：

    query_name match_name    continent      country  region      town
1   feature1     match1 NorthAmerica UnitedStates NewYork Manhattan
2   feature1     match2 NorthAmerica UnitedStates NewYork    Albany
3   feature1     match3 NorthAmerica UnitedStates NewYork   Buffalo
4   feature2     match4 NorthAmerica       Canada Ontario   Toronto
5   feature2     match5 NorthAmerica       Canada    <NA>      <NA>
6   feature3     match6       Europe      Germany  Bayern    Munich
7   feature3     match7       Europe      Germany  Bayern Nuremberg
8   feature3     match8       Europe      Germany  Berlin    Berlin
9   feature3     match9       Europe      Germany  Berlin Frankfurt

我希望就如何构造一个将产生以下结果的函数获得建议。请注意，共享位置信息现在使用; 分隔符连接和分隔。

Feature1 仅在town 信息上有所不同，因此返回的字符串包含continent 到region 信息。
Feature2 在region 或town 在此处的两个匹配项中不同，因为两个匹配项之一不包含任何信息。尽管如此，缺乏信息被认为与有信息的值不同，因此特征2匹配的唯一共同点是continent和country。
Feature3 包含共享的continent 和country 信息，但region 和town 不同，因此只保留continent 和country。

希望输出文件如下所示：

query_name   location_output
feature1    NorthAmerica;UnitedStates;NewYork;
feature2    NorthAmerica;Canada;;
feature3    Europe;Germany;;

感谢您提供的任何建议。干杯！

【问题讨论】：

标签： r dataframe

【解决方案1】：

这是一个选项

library(tidyverse)
data %>%
    gather(key, val, -query_name, -match_name) %>%
    select(-match_name, -key) %>%
    group_by(query_name, val) %>%
    add_count() %>%
    group_by(query_name) %>%
    filter(n == max(n)) %>%
    summarise(location_output = paste0(unique(val[!is.na(val)]), collapse = ";"))
## A tibble: 3 x 2
#  query_name location_output
#  <fct>      <chr>
#1 feature1   NorthAmerica;UnitedStates;NewYork
#2 feature2   NorthAmerica;Canada
#3 feature3   Europe;Germany

【讨论】：

【解决方案2】：

这不如@MauritsEvers 的解决方案优雅（它不会自动处理任意数量的级别），但它确保每个location_output 都有所有四个; 分隔符。

library(dplyr)
data %>%
  group_by(query_name) %>%
  summarize(continent = ifelse(n_distinct(continent) == 1, first(continent), ""),
            country = ifelse(n_distinct(country) == 1, first(country), ""),
            region = ifelse(n_distinct(region) == 1, first(region), ""),
            town = ifelse(n_distinct(town) == 1, first(town), "")) %>%
  mutate(location_output = paste(continent, country, region, town, sep = ";")) %>%
  select(query_name, location_output)

【讨论】：

【解决方案3】：

lapply(split(data, data$query_name), function(x){
    x = x[,-(1:2)]
    r = rle(sapply(x, function(d) length(unique(d))))
    x[1, seq(r$lengths[1])]
})
#$feature1
#     continent      country  region
#1 NorthAmerica UnitedStates NewYork

#$feature2
#     continent country
#4 NorthAmerica  Canada

#$feature3
#  continent country
#6    Europe Germany

【讨论】：