在 R data.table 中选择每行重复次数最多的项目

Posted 2023-02-14

【中文标题】在 R data.table 中选择每行重复次数最多的项目

【英文标题】：Select most repeated item per row in R data.table

【发布时间】：2022-01-14 20:34:55

【问题描述】：

晚上好。

目前我有一个 R data.table 具有以下结构

name_match1 | name_match2 | name_match3 | real_value
COCA COLA     CACAO         COCA COLA     COCA.COLA
PEPSI         PEPSI         PEPSI         PEPCSI
MONSTER       MORE          MIRINDA       MSTER

其中每个name_match 与real_value 列执行模糊匹配。 但是，在某些情况下，模糊匹配效果不佳或 real_value 可能无法/难以检测（real_value 列具有用户插入的值。这些输入在某些情况下未正确插入，因此甚至很难知道它指的是什么，就像 MSTER 案例） .

我想做的是每行选择重复次数最多的记录，如果没有，则不要选择任何类似以下示例的记录：

name_match1 | name_match2 | name_match3 | real_value | most_repeated_value | Times_repeated
COCA COLA     CACAO         COCA COLA     COCA.COLA    COCA COLA                  2
PEPSI         PEPSI         PEPSI         PEPCSI       PEPSI                      3
MONSTER       MORE          MIRINDA       MSTER        NULL                       0

但是我不知道如何在 R data.table 中执行此操作。我想知道是否有人知道执行此操作的方法？

【参考方案1】：

如果没有唯一模式，我们可以调整How to find the statistical mode FAQ 的最佳答案以返回NA：

Mode <- function(x) 
  ux <- unique(x)
  tab = tabulate(match(x, ux))
  if(length(which(max(tab) == tab)) > 1) return(NA)
  return(ux[which.max(tab)])

然后我们需要将此函数应用于每一行的匹配列。

library(data.table)
dat = fread(text = 'name_match1  name_match2  name_match3  real_value
"COCA COLA"     CACAO         "COCA COLA"     COCA.COLA
PEPSI         PEPSI         PEPSI         PEPCSI
MONSTER       MORE          MIRINDA       MSTER')

dat[, result := apply(dat[, 1:3], 1, Mode)]
dat
#    name_match1 name_match2 name_match3 real_value    result
# 1:   COCA COLA       CACAO   COCA COLA  COCA.COLA COCA COLA
# 2:       PEPSI       PEPSI       PEPSI     PEPCSI     PEPSI
# 3:     MONSTER        MORE     MIRINDA      MSTER      <NA>

【讨论】：

感谢@Gregor Thomas，感谢您的帮助