R在数据框中生成非重复对，避免相同的组成员

Posted 2023-03-31

【中文标题】R在数据框中生成非重复对，避免相同的组成员

【英文标题】：R Generate non repeating pairs in data frame, avoiding same group members

【发布时间】：2016-09-03 03:04:59

【问题描述】：

所以目的是通过取距离来比较每个 ID 和其他 ID。此外，某些 ID 可能因属于同一组而相关，这意味着如果它们相关，则无需比较它们。

考虑以下数据框 Df

ID AN     AW      Group
a  white  green   1
b  black  yellow  1
c  purple gray    2
d  white  gray    2

以下代码有助于实现此结果（来自问题：R Generate non repeating pairs in dataframe）：

ids <- combn(unique(df$ID), 2)
data.frame(df[match(ids[1,], df$ID), ], df[match(ids[2,], df$ID), ])

#ID   AN     AW    ID2   AN2    AW2
a   white  green   b   black  yellow
a   white  green   c   purple gray
a   white  green   d   white  gray
b   black  yellow  c   purple gray 
b   black  yellow  d   white  gray
c   purple gray    d   white  gray

我想知道是否可以不计算某些计算以获得这个答案：

#ID   AN     AW    Group   ID2   AN2    AW2   Group2
a   white  green     1      c   purple gray    2
a   white  green     1      d   white  gray    2
b   black  yellow    1      c   purple gray    2
b   black  yellow    1      d   white  gray    2

意思是我可以避免这种计算：

#ID   AN     AW    Group   ID2   AN2    AW2    Group2
a   white  green     1      b   black  yellow    1
c   purple gray      2      d   white  gray      2

如果我比较组，我可以进行子集化，但这意味着更多的计算时间，因为数据框很大，并且组合遵循n*(n-1)/2

这可能吗？还是我必须进行所有组合，然后将同一组之间的比较子集出来？

【参考方案1】：

这是一个相当冗长的基本 R 解决方案，它假设可能有两个以上的组。

# create test data.frame
df <- data.frame(ID=letters[1:4], AN=c("white", "black", "purple", "white"),
                 AW=c("green", "yellow", "gray", "gray"),
                 Group=rep(c(1,2),each=2), stringsAsFactors=FALSE)

# split data.frame by group, subset df to needed variables
dfList <- split(df[, c("ID", "Group")], df$Group)
# use combn to get all group-pair combinations
groupPairs <- combn(unique(df$Group), 2)

接下来，我们循环（通过sapply）所有成对的组组合。对于每个组合，我们构建一个 data.frame，它是每个组之间通过expand.grid 的 ID 的成对组合。 ID 从命名列表中提取（使用 [[]] 运算符），dfList 使用来自 groupPairs[1,i] 和 groupPairs[2,i] 的名称。

# get a list of all ID combinations by group combination
myComparisonList <- sapply(1:ncol(groupPairs), function(i) 
                           expand.grid(dfList[[groupPairs[1,i]]]$ID,
                                       dfList[[groupPairs[2,i]]]$ID,
                                       stringsAsFactors=F)
                           )
# extract list of combinations to matrix
idsMat <- sapply(myComparisonList, rbind)

# bind comparison pairs together by column
dfDone <- cbind(df[match(idsMat[,1], df$ID), ], df[match(idsMat[,2], df$ID), ])
# differentiate names
names(dfDone) <- paste0(names(dfDone), rep(c(".1", ".2"),
                        each=length(names(df))))

【讨论】：

确实我有两个以上的组，我试图理解代码，但如果我从'myComparisonList 运行它，它会抛出这个错误：Error: unexpected ')' in: " dfList[[groupPairs[2,i]]]$ID, stringsAsFactors=F))"

这行得通！！！！我不太了解 myComparisonList 的部分。你能澄清一下吗？但这个答案真的帮了我很多！

@SaulGarcia 希望我的回答中的其他信息会有所帮助。

我很感激！谢谢

【参考方案2】：

如果您可以使用 sql 来执行此操作，那么 g 代表组。

sqldf("select * from f t1 inner join f t2 on t1.g!=t2.g")