Как рассчитать (со) матрицу вхождений из фрейма данных с несколькими столбцами, используя R? - PullRequest
Новая
       51

Как рассчитать (со) матрицу вхождений из фрейма данных с несколькими столбцами, используя R?

6 голосов
/ 07 января 2020

Я - ладья ie в R и в настоящее время работаю с данными совместной работы в виде списка ребер с 32 столбцами и около 200 000 строк. Я хочу создать (со) матрицу вхождений, основанную на взаимодействии между странами. Однако я хочу посчитать количество взаимодействий по общему количеству объекта.

Basi c Пример ожидаемого результата

Если в одной строке «Англия» встречается три раза и « Китай "только один раз, результатом должна быть следующая матрица. 

         England  China
England    3        3
China      3        1

Воспроизводимый пример 

df <- data.frame(ID = c(1,2,3,4), 
 V1 = c("England", "England", "China", "England"),
 V2 = c("Greece", "England", "Greece", "England"),
V32 = c("USA", "China", "Greece", "England"))

Соответственно, примерный фрейм данных в настоящее время выглядит так: 

ID  V1       V2       ...   V32
1   England  Greece         USA
2   England  England        China
3   China    Greece         Greece
4   England  England        England
.
.
.

Ожидаемый результат

Я хочу рассчитывать (со) вхождения по строкам и независимо от порядка, чтобы получить (со) матрицу вхождений, которая учитывает низкие частоты краевых петель (например, Англия-Англия) ), что приводит к следующему результату: 

         China   England   Greece   USA

China    2        2         2        0

England  2        6         1        1

Greece   2        1         3        1

USA      0        1         1        1

То, что было опробовано до сих пор

Я использовал igraph, чтобы получить матрицу смежности с одновременными вхождениями. Тем не менее, он рассчитывает - как и предполагалось - не более двух взаимодействий одних и тех же двух объектов, в результате чего в некоторых случаях у меня остаются значения, намного меньшие фактической частоты объектов по строкам / публикациям. 

df <- data.frame(ID = c(1,2,3,4), 
 V1 = c("England", "England", "China", "England"),
 V2 = c("Greece", "England", "Greece", "England"),
V32 = c("USA", "China", "Greece", "England"))

# remove ID column

df[1] <- list(NULL)

# calculate co-occurrences and return as dataframe

library(igraph)
library(Matrix)

countrydf <- graph.data.frame(df)
countrydf2 <- as_adjacency_matrix(countrydf, type = "both", edges = FALSE)
countrydf3 <- as.data.frame(as.matrix(forceSymmetric(countrydf2)))


         China   England   Greece   USA

China    0        0         1        0

England  0        2         1        0

Greece   1        1         0        0

USA      0        0         0        0

Я предполагаю, что должно быть простое решение, использующее base и / или dplyr и / или table и / или reshape2, аналогичное [1] , [2] , [3] , [4] или [5] , но пока ничего не помогло, и я не смог настроить код на мои потребности. Я также пытался использовать [6] в качестве основы, однако, эта проблема также применима и здесь. 

library(tidry)
library(dplyr)
library(stringr)


# collapse observations into one column

df2 <- df %>% unite(concat, V1:V32, sep = ",")

# calculate weights

df3 <- df2$concat %>%
  str_split(",") %>%
  lapply(function(x){
    expand.grid(x,x,x,x, w = length(x), stringsAsFactors = FALSE)
  }) %>%
  bind_rows

df4 <- apply(df3[, -5], 1, sort) %>%
  t %>%
  data.frame(stringsAsFactors = FALSE) %>%
  mutate(w = df3$w)

Я был бы рад, если бы кто-то мог указать мне на правильное направление.

Ответы [ 3 ]

3 голосов
/ 08 января 2020

Возможно, есть лучшие способы сделать это, но попробуйте: 

library(tidyverse)

df1 <- df %>%
pivot_longer(-ID, names_to = "Category", values_to = "Country") %>%
xtabs(~ID + Country, data = ., sparse = FALSE) %>% 
crossprod(., .) 

df_diag <- df %>% 
pivot_longer(-ID, names_to = "Category", values_to = "Country") %>%
mutate(Country2 = Country) %>%
xtabs(~Country + Country2, data = ., sparse = FALSE) %>% 
diag()

diag(df1) <- df_diag 

df1

Country   China England Greece USA
  China       2       2      2   0
  England     2       6      1   1
  Greece      2       1      3   1
  USA         0       1      1   1
1 голос
/ 08 января 2020

Опция, использующая base::table: 

df <- data.frame(ID = c(1,2,3,4), 
    V1 = c("England", "England", "China", "England"),
    V2 = c("Greece", "England", "Greece", "England"),
    V3 = c("USA", "China", "Greece", "England"))

#get paired combi and remove those from same country
pairs <- as.data.frame(do.call(rbind, 
    by(df, df$ID, function(x) t(combn(as.character(x[-1L]), 2L)))))
pairs <- pairs[pairs$V1!=pairs$V2, ]

#repeat data frame with columns swap so that 
#upper and lower tri have same numbers and all countries are shown
pairs <- rbind(pairs, data.frame(V1=pairs$V2, V2=pairs$V1))

#tabulate pairs
tab <- table(pairs)

#set diagonals to be the count of countries
cnt <- c(table(unlist(df[-1L])))
diag(tab) <- cnt[names(diag(tab))]

tab

, вывод: 

         V2
V1        China England Greece USA
  China       2       2      2   0
  England     2       6      1   1
  Greece      2       1      3   1
  USA         0       1      1   1
1 голос
/ 08 января 2020

Вот способ использования пакетов dplyr и tidyr, вся идея заключается в создании фрейма данных с построчным вхождением каждой страны с последующим объединением его в себе. 

library(dplyr)

# Create dataframe sammple
df <- data.frame(ID = c(1,2,3,4), 
                 V1 = c("England", "England", "China", "England"),
                 V2 = c("Greece", "England", "Greece", "England"),
                 V32 = c("USA", "China", "Greece", "England"),
                 stringsAsFactors = FALSE)

# Get the occurance of each country in every row.
row_occurance <- 
  df %>%
  tidyr::gather(key = "identifier", value = "country", -ID) %>%
  group_by(ID, country) %>%
  count()

row_occurance %>%
  # Join row_occurance on itself to simulate the matrix
  left_join(row_occurance, by = "ID") %>%
  # Get the highest occurance row wise, this to handle when country
  # name is repeated within same row
  mutate(Occurance = pmax(n.x, n.y)) %>%
  # Group by 2 countries
  group_by(country.x, country.y) %>%
  # Sum the occurance of 2 countries together
  summarise(Occurance = sum(Occurance)) %>%
  # Spread the data to make it in matrix format
  tidyr::spread(key = "country.y", value = "Occurance", fill = 0)

# # A tibble: 4 x 5
# # Groups:   country.x [4]
# country.x China England Greece   USA
# <chr>     <dbl>   <dbl>  <dbl> <dbl>
# China         2       2      2     0
# England       2       6      1     1
# Greece        2       1      3     1
# USA           0       1      1     1
...