Этот вопрос основан на двух предыдущих вопросах, которые я задавал для SO, каждый более сложный, чем предыдущий.В предыдущем посте - Как идентифицировать зеркальные дубликаты строк в R -
Я хотел бы определить «частичные» совпадения строк в кадре данных.В частности, я хочу создать новый столбец со значением TRUE, если конкретная строка в кадре данных имеет повторяющуюся строку где-то еще в кадре данных на основе соответствия между подмножеством столбцов.Дополнительная сложность заключается в том, что один из столбцов в кадре данных является числовым, и я хочу сопоставить, если абсолютные значения совпадают.Проблема заключается в том, что мне нужно убедиться, что, когда строка идентифицируется как частично дублированная, это ТОЛЬКО, если ОДИН из столбцов, являющихся частью совпадения, является зеркально противоположным (аддитивным обратным) значением, а не просто совпадением по абсолютномузначение.В конечном счете, я ищу строки, которые представляют собой пары дубликатов по двум категориальным переменным и являются аддитивными инверсиями по третьей числовой переменной.Чтобы прояснить ситуацию, вот примеры данных:
name<-c("Richard Nixon", "Bill Clinton", "George Bush", "Richard Nixon", "Bill Clinton", "Richard Nixon", "Abe Lincoln","Richard Nixon", "Bill Clinton", "Richard Nixon")
state<-c("California", "Indiana", "Florida", "California", "Indiana", "California","Oregon","California", "Indiana", "California")
num<-c("-258", "123", "42", "258", "123", "-258", "87","258", "-123", "258")
date<-c("day 9", "day 2", "day 15", "day 3","day 45", "day 100", "day 99", "day 10", "day 11", "day 100")
(df <- data.frame(name, state, num, date, stringsAsFactors = FALSE))
name state num date
1 Richard Nixon California -258 day 9
2 Bill Clinton Indiana 123 day 2
3 George Bush Florida 42 day 15
4 Richard Nixon California 258 day 3
5 Bill Clinton Indiana 123 day 45
6 Richard Nixon California -258 day 100
7 Abe Lincoln Oregon 87 day 99
8 Richard Nixon California 258 day 10
9 Bill Clinton Indiana -123 day 11
10 Richard Nixon California 258 day 100
Если бы я запустил отличное решение из предыдущего поставленного мной SO вопроса, это привело бы к следующему
(df %>%
mutate(num = as.numeric(num), num1 = abs(num)) %>%
group_by(name, state, num1) %>%
mutate(newcol = n() > 1 & n_distinct(sign(num)) > 1) %>%
ungroup %>%
select(-num1)) %>%
arrange(name)
# A tibble: 10 x 5
name state num date newcol
<chr> <chr> <dbl> <chr> <lgl>
1 Abe Lincoln Oregon 87 day 99 FALSE
2 Bill Clinton Indiana 123 day 2 TRUE
3 Bill Clinton Indiana 123 day 45 TRUE
4 Bill Clinton Indiana -123 day 11 TRUE
5 George Bush Florida 42 day 15 FALSE
6 Richard Nixon California -258 day 9 TRUE
7 Richard Nixon California 258 day 3 TRUE
8 Richard Nixon California -258 day 100 TRUE
9 Richard Nixon California 258 day 10 TRUE
10 Richard Nixon California 258 day 100 TRUE
.проблема с вышеприведенным выводом состоит в том, что для Ричарда Никсона и для Билла Клинтона есть одна строка, слишком много, где появляется ИСТИНА.Мой желаемый вывод следующий:
name state num date newcol
1 Abe Lincoln Oregon 87 day 99 FALSE
2 Bill Clinton Indiana 123 day 2 TRUE
3 Bill Clinton Indiana 123 day 45 FALSE
4 Bill Clinton Indiana -123 day 11 TRUE
5 George Bush Florida 42 day 15 FALSE
6 Richard Nixon California -258 day 9 TRUE
7 Richard Nixon California 258 day 3 TRUE
8 Richard Nixon California -258 day 100 TRUE
9 Richard Nixon California 258 day 10 TRUE
10 Richard Nixon California 258 day 100 FALSE
Обратите внимание, что только строки, зеркально совпадающие с зеркальным совпадением, совпадают в том смысле, что строки являются дубликатами, за исключением того, что они являются аддитивными инверсиями друг друга для столбца num.Таким образом, я в основном пытаюсь идентифицировать все строки, которые совпадают вдоль переменных name и state и являются аддитивными инверсиями друг друга вдоль переменной num, с условием, что аддитивные инверсии будут уникальными - уникальными в том смысле, что num следует считать только аддитивной инверсией не более одной строки.
Для дополнительной ясности, если вышеприведенное объяснение нуждается в разъяснении, в противном случае пропустите:
Таким образом, некоторый процесс, который проходит по каждой строке, идентифицируя первую строку, которая соответствует критериям того, чтобы быть частичнымmatch (частичное в смысле абсолютного значения / аддитивного обратного), а затем присваивает TRUE эти две строки, а затем переходит к следующему наблюдению и так далее.Например, код может начинаться с Abe Lincoln и проходить через каждую последующую строку, пока не будет найдена частично совпадающая строка, если строка не найдена, то в столбце newcol FALSE указано значение, которое должно быть сгенерировано.Затем он переходит к Биллу Клинтону, штат Индиана, 123 и проходит по строкам, чтобы определить частичное совпадение.Следующая строка НЕ является частичным совпадением, поскольку 123 и 123 не являются частичными совпадениями (они являются полными совпадениями), но следующая строка является частичным совпадением (123 и -123), в результате чего генерируется значение TRUEдля newcol для этого наблюдения, а также для частично подобранного ряда.Затем он идет в третий ряд (Билл Клинтон, Индиана, 123).Важной частью этого шага является то, что если строка уже имеет значение для newcol, цикл не должен проходить через нее.Таким образом, для этой строки (третьей строки) цикл пропустил бы первую строку (с Абэ Линкольном) b / c, которая уже имеет значение FALSE, и пропустил бы вторую строку и 4-ую строку bc, эти два уже были сопоставленывместе, в результате чего FALSE для третьей строки b / c, оставшиеся строки не были частично сопоставлены, а единственное частичное совпадение во фрейме данных уже сопоставлено с другой инверсией.