Подсчет grep по таблицам?

Question

Допустим, у меня есть таблица с одним столбцом:

Сорта

Cara Cara  
Mandarin  
Seville  
Juice Orange  
Tangerine  
(... 100+ varieties)  

И у меня есть таблица, в которой в одном столбце перечислены сорта, выращенные вкаждый фруктовый сад через запятую:

Название фруктового сада | Название города | Название государства | Выращенные сорта

Orchard 1 | City | State | Cara Cara, Mandarin, Juice, Tangerine  
Orchard 2 | City | State | Cara Cara  
Orchard 3 | City | State | Seville  
(... 1,000+ orchards)

Какой самый эффективный способ создать новую таблицу с суммарным подсчетом количества садов, выращивающих каждый сорт:

Фруктовый сад | Количество

Cara Cara | 521  
Seville | 470  

(и так далее, для каждого из 100+ вариантов)

Заранее спасибо!

Answer 1

Мы можем использовать separate_rows из tidyr, чтобы разбить Varieties.grown на несколько строк, а затем соединить правой кнопкой с таблицей varieties, чтобы получить только Varieties, который нас интересует.Наконец, group_by(Varieties.grown) и посчитайте все не-NA Orchard.Name, чтобы получить Count на Varieties:

library(dplyr)
library(tidyr)

df %>%
  separate_rows(Varieties.grown, sep = "\\s?,\\s?") %>%
  right_join(varieties, by = c("Varieties.grown"="Varieties")) %>%
  group_by(Varieties.grown) %>%
  summarize(Count = sum(!is.na(Orchard.Name))) %>%
  rename(Varieties = Varieties.grown)

Результат:

# A tibble: 5 x 2
     Varieties Count
         <chr> <int>
1    Cara Cara     2
2 Juice Orange     0
3     Mandarin     1
4      Seville     1
5    Tangerine     1

Данные:

df = structure(list(Orchard.Name = c("Orchard 1", "Orchard 2", "Orchard 3"
), City.Name = c("City", "City", "City"), State.Name = c("State", 
"State", "State"), Varieties.grown = c("Cara Cara, Mandarin, Juice, Tangerine", 
"Cara Cara", "Seville")), class = "data.frame", .Names = c("Orchard.Name", 
"City.Name", "State.Name", "Varieties.grown"), row.names = c(NA, 
-3L))

varieties = structure(list(Varieties = c("Cara Cara", "Mandarin", "Seville", 
"Juice Orange", "Tangerine")), .Names = "Varieties", row.names = c(NA, 
-5L), class = "data.frame")