匹配数据框,排除最后一个非 NA 值并忽略顺序

Posted

技术标签:

【中文标题】匹配数据框,排除最后一个非 NA 值并忽略顺序【英文标题】:Match Dataframes Excluding Last Non-NA Value and disregarding order 【发布时间】:2017-08-17 18:40:32 【问题描述】:

我有两个数据框:

Partner<-c("Alpha","Beta","Zeta")
COL1<-c("A","C","M")
COL2<-c("B","D","K")
COL3<-c("C","F",NA)
COL4<-c("D",NA,NA)
df1<-data.frame(Partner,COL1,COL2,COL3,COL4)

lift<-c(9,10,11,12,12,23,12,24)
RULE1<-c("B","B","D","A","C","K","M","K")
RULE2<-c("A","A","C","B","A","M","T","M")
RULE3<-c("G","D","M","C" ,"M", "E",NA,NA)
RULE4<-c(NA,NA,"K","D" ,NA, NA,NA,NA)

df2<-data.frame(lift,RULE1,RULE2,RULE3,RULE4)

df1
Partner    COL1    COL2    COL3    COL4
Alpha         A       B       C       D
Beta          C       D       F      NA
Zeta          M       K      NA      NA

df2
lift    RULE1    RULE2     RULE3    RULE4
   9        B        A         G       NA
  10        B        A         D       NA
  11        D        C         M        K
  12        A        B         C        D
  12        C        A         M       NA
  23        K        M         E       NA
  12        M        T        NA       NA
  24        K        M        NA       NA

这是一个购物篮分析。 df1 是购买了列出的每个项目的客户/合作伙伴:A、B、C...等。

df2 是与过去购买的物品相关的推荐。

每个 df2 行中的最后一个值代表建议。因此,从最后一个非 NA 值开始的每一行中的前面值是“篮子”。

所以比如df2的第一行,就是说:如果B和A一起买,推荐G。

我希望能够确定 df1 的每个合作伙伴是否购买了每一行中的所有值,不包括最终值,因为这是建议。然后将该建议添加到新数据框每一行的末尾。

例如: 合伙人:Alpha,从第一行推荐价值G好不好?答案是肯定的,因为他们从 df2(A 和 B)中的该行购买了所有值。

对于合作伙伴:Beta,建议值 G 并不好,因为并非 df2 第一行的所有值都可以在 Beta 行中找到。

最终输出:

Partner    COL1    COL2    COL3    COL4    lift   RULE1    RULE2    RULE3    RULE4   Does Last Non-NA Value Exist in Row?
Alpha         A       B       C       D       9       B        A        G       NA                                    No
Alpha         A       B       C       D      10       B        A        D       NA                                   Yes
Alpha         A       B       C       D      12       A        B        C        D                                   Yes
Alpha         A       B       C       D      12       C        A        M       NA                                    No
Zeta          M       K      NA      NA      23       K        M        E       NA                                    No
Zeta          M       K      NA      NA      12       M        T       NA       NA                                    No
Zeta          M       K      NA      NA      24       K        M       NA       NA                                   Yes

为清楚起见写出结果:

df3

row1 输出“No”,因为在 Alpha Partner 中找不到 G,并且 G 之前的所有值都显示在 Alpha Partner (B,A) 中

row2 输出“是”,因为在 Alpha 合作伙伴中找到了 D,并且 D 之前的所有值都显示在 Alpha 合作伙伴 (B,A) 中

第 3 行输出“是”,因为在 Alpha 合作伙伴中找到了 D,并且 D 之前的所有值都显示在 Alpha 合作伙伴(A、B、C)中

row4 输出“No”,因为在 Alpha Partner 中找不到 M,并且 M 之前的所有值都显示在 Alpha Partner (C,A) 中

row5 输出“No”,因为在 Zeta Partner 中找不到 E,并且 E 之前的所有值都显示在 Zeta Partner (K,M) 中

row6 输出“No”,因为在 Zeta Partner (M) 中找不到 T,并且 T 之前的所有值都显示在 Zeta Partner (M) 中

row7 输出“Yes”,因为在 Zeta Partner 中找到了 M,并且 M 之前的所有值都显示在 Zeta Partner (K) 中

我认为这必须是某种连接或匹配,但不知道该怎么做。

如果有人能帮我解决这个问题,这将非常有帮助。

谢谢。

这是一次尝试:

df1<-cbind(df1_id=1:nrow(df1),df1)
df2 <- cbind(df2_id=1:nrow(df2),df2)
d11  <- df1 %>% gather(Col, Value,starts_with("C"))           #Long
d11 <- d11 %>% na.omit() %>%group_by(df1_id) %>% slice(-n()) #remove last non NA
d22  <- df2 %>%  gather(Rule, Value,starts_with("R"))
res <- inner_join(d11,d22)
rm(d22)
rm(d11)
final<-cbind(df1[res$df1_id,],df2[res$df2_id,])
final$Exist <- apply(final, 1, FUN = function(x) 
c("No", "Yes")[(anyDuplicated(x[!is.na(x) & x != "" ])!=0) +1])

但这不起作用,因为它没有考虑所有值,只有当其中一个匹配时......不是全部。

【问题讨论】:

dput 的一些示例数据会有所帮助。 @dash2 刚开始提供了数据结构,谢谢! 我不明白为什么 'lift' 的第 11 行被删除了 这是因为在 df1 行之一中未找到所有 D、C、M。逻辑是,如果在 df1 中找到最后一个非 na 值之前的 df2 中的所有内容,则它是匹配的。在这种情况下,最后一个非 na 值是 K。这就是我在上一篇文章中思考的原因,我需要删除最后一个非 NA 值,进行匹配,然后稍后使用与它。 @akrun 我还在这里问了这个问题的一个更简单的版本:***.com/questions/43018385/… 【参考方案1】:

这很棘手,因为必须将 n 个客户的购买与一组 m 规则进行比较。除此之外,还有两点增加了复杂性:

    df2 中最后一个非 NA RULE 列在语义上与其他列不同。不幸的是,给定的数据结构并没有反映这一点。所以,df2 缺少一个明确的推荐列。

    最后要判断合作伙伴是否已经购买了推荐商品。

出于性能原因,以下方法依赖于melt()dcast()data.table 包的连接操作。但是,为了避免创建 n * m 行的笛卡尔叉积,使用了循环。

编辑 dcast() 已从 lapply() 函数中移出。

为 n:m 连接准备数据

library(data.table)
# convert to data.table and add row numbers
# here, a copy is used insteasd of setDT() in order to rename the data.tables
purchases <- as.data.table(df1)[, rnp := seq_len(.N)]
rules <- as.data.table(df2)[, rnr := seq_len(.N)]

# prepare purchases for joins
lp <- melt(purchases, id.vars = c("rnp", "Partner"), na.rm = TRUE)
wp <- dcast(lp, rnp ~ value, drop = FALSE)
wp
#   rnp  A  B  C  D  F  K  M
#1:   1  A  B  C  D NA NA NA
#2:   2 NA NA  C  D  F NA NA
#3:   3 NA NA NA NA NA  K  M


# prepare rules
lr <- melt(rules, id.vars = c("rnr", "lift"), na.rm = TRUE)
# identify last column of each rule which becomes the recommendation
rn_of_last_col <- lr[, last(.I), by = rnr][, V1]
# reshape from long to wide without recommendation
wr <- dcast(lr[-rn_of_last_col], rnr ~ value)
# add column with recommendations (kind of cbind, no join)
wr[, recommended := lr[rn_of_last_col, value]]
wr
#   rnr  A  B  C  D  K  M recommended
#1:   1  A  B NA NA NA NA           G
#2:   2  A  B NA NA NA NA           D
#3:   3 NA NA  C  D NA  M           K
#4:   4  A  B  C NA NA NA           D
#5:   5  A NA  C NA NA NA           M
#6:   6 NA NA NA NA  K  M           E
#7:   7 NA NA NA NA NA  M           T
#8:   8 NA NA NA NA  K NA           M

结合规则和购买

combi <- rbindlist(
  # implied loop over rules to find matching purchases for each rule
  lapply(seq_len(nrow(rules)), function(i) 
    # get col names except last col which is the recommendation
    cols <- lr[rnr == i, value[-.N]]
    # join single rule with all partners on relevant cols for this rule
    wp[wr[i, .SD, .SDcols = c(cols, "rnr", "recommended")], on = cols, nomatch = 0]
  )
)
# check if recommendation was purchased already
combi[, already_purchased := Reduce(`|`, lapply(.SD, function(x) x == recommended)), 
      .SDcols = -c("rnp", "rnr", "recommended")]
# clean up already purchased
combi[is.na(already_purchased), already_purchased := FALSE
      ][, already_purchased := ifelse(already_purchased, "Yes", "No")]
combi
#   rnp  A  B  C  D  F  K  M rnr recommended already_purchased
#1:   1  A  B  C  D NA NA NA   1           G                No
#2:   1  A  B  C  D NA NA NA   2           D               Yes
#3:   1  A  B  C  D NA NA NA   4           D               Yes
#4:   1  A  B  C  D NA NA NA   5           M                No
#5:   3 NA NA NA NA NA  K  M   6           E                No
#6:   3 NA NA NA NA NA  K  M   7           T                No
#7:   3 NA NA NA NA NA  K  M   8           M               Yes

在创建combi 时,诀窍是仅加入每个规则中包含的那些列。这就是为什么需要为每个规则分别进行连接的原因。

基本上,我们现在完成了。但是,它看起来不像所需的输出。

最终加入

tmp_rules <- rules[combi[, .(rnp, rnr, recommended, already_purchased)], on = "rnr"]
tmp_purch <- purchases[combi[, .(rnp, rnr)], on = "rnp"]
result <- tmp_purch[tmp_rules, on = c("rnp", "rnr")]
result[, (c("rnp", "rnr")) := NULL]
result
#   Partner COL1 COL2 COL3 COL4 lift RULE1 RULE2 RULE3 RULE4 recommend already_purchased
#1:   Alpha    A    B    C    D    9     B     A     G    NA         G                No
#2:   Alpha    A    B    C    D   10     B     A     D    NA         D               Yes
#3:   Alpha    A    B    C    D   12     A     B     C     D         D               Yes
#4:   Alpha    A    B    C    D   12     C     A     M    NA         M                No
#5:    Zeta    M    K   NA   NA   23     K     M     E    NA         E                No
#6:    Zeta    M    K   NA   NA   12     M     T    NA    NA         T                No
#7:    Zeta    M    K   NA   NA   24     K     M    NA    NA         M               Yes

【讨论】:

以上是关于匹配数据框,排除最后一个非 NA 值并忽略顺序的主要内容,如果未能解决你的问题,请参考以下文章

R - 使用匹配运算符时保留顺序 (%in%)

在 RegEx 中的最后一个斜杠之后获取值并忽略类别 slug

选择最后 n 列并排除数据框中的最后 n 列

如何在循环中读取数据框列值并检查每列的数据类型

KindEditor获取多个textarea文本框的值并判断非空

基于正则表达式合并数据框中的变量对