对具有相同单词但顺序不同的字符串进行分组

Posted 2023-02-14

【中文标题】对具有相同单词但顺序不同的字符串进行分组

【英文标题】：Group strings that have the same words but in a different order

【发布时间】：2022-01-19 23:05:38

【问题描述】：

我有一个连接文本字段的示例（请参阅下面的示例数据），它是从两个或三个不同的字段创建的，但是不能保证单词的顺序是相同的。我想创建一个新的数据集，其中包含相同单词的字段，无论顺序如何，都会被折叠。但是，由于我事先不知道哪些单词将被连接在一起，因此代码必须识别出两个字符串中的所有单词都匹配。

示例数据代码：

var1<-c("BLUE|RED","RED|BLUE","WHITE|BLACK|ORANGE","BLACK|WHITE|ORANGE")
freq<-c(1,1,1,1)
have<-as.data.frame(cbind(var1,freq))

有：

var1                 freq
BLUE|RED              1
RED|BLUE              1
WHITE|BLACK|ORANGE    1
BLACK|WHITE|ORANGE    1

如何将数据折叠成我想要的下面？

color               freq
BLUE|RED              2
WHITE|BLACK|ORANGE    2

【参考方案1】：

data.frame(table(sapply(strsplit(have$var1, '\\|'), 
             function(x)paste(sort(x), collapse = '|'))))

                Var1 Freq
1 BLACK|ORANGE|WHITE    2
2           BLUE|RED    2

在管道世界中：R > 4.0

have$var1 |>
  strsplit('\\|')|>
  sapply(\(x)paste0(sort(x), collapse = "|"))|>
  table()|>
  data.frame()

【讨论】：

谢谢，后续问题 - 如果“BLUE|RED”的现有频率不止一个，我如何将“RED|BLUE”的实例添加到现有总数中？谢谢！

【参考方案2】：

这是tidyverse 方法：

library(dplyr)
library(tidyr)

have %>% 
  group_by(id=row_number()) %>% 
  separate_rows(var1) %>% 
  arrange(var1, .by_group = TRUE) %>% 
  mutate(var1 = paste(var1, collapse = "|")) %>% 
  slice(1) %>% 
  ungroup() %>% 
  count(var1, name = "freq")

  var1                freq
  <chr>              <int>
1 BLACK|ORANGE|WHITE     2
2 BLUE|RED               2