web-dev-qa-db-ja.com

Rを使用して複数の列を持つデータフレームから（共）出現行列を計算する方法

私はRの新人で、現在32列、約200.000行のEdgeリストの形式でコラボレーションデータを扱っています。国間の相互作用に基づいて（共）発生行列を作成したいと思います。ただし、オブジェクトの総数でインタラクションの数を数えたいと思います。

野心的な成果の基本的な例

1行に「イングランド」が3回出現し、「中国」が1回のみ出現する場合、結果は次の行列になります。

         England  China
England    3        3
China      3        1

再現可能な例

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"))

したがって、現在のデータフレームの例は次のようになります。

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

目指す結果

行ごとに、順序に関係なく（共）発生をカウントして、エッジループ（たとえば、イングランド-イングランド）の低周波数を説明する（共）発生行列を取得します。これにより、次の結果が得られます。

         China   England   Greece   USA

China    2        2         2        0

England  2        6         1        1

Greece   2        1         3        1

USA      0        1         1        1

これまでに試みられたこと

igraphを使用して、共起のある隣接行列を取得しました。ただし、同じように2つのオブジェクトの2つ以下の相互作用が計算されるため、場合によっては、行/パブリケーションによってオブジェクトの実際の頻度をはるかに下回る値が得られます。

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

baseおよび/またはdplyrおよび/またはtableおよび/またはreshape2[1に類似した] 、 [2] 、 [3] 、 [4] または [5] だが何もないこれまでのところトリックを行っており、コードを自分のニーズに合わせることができませんでした。 [6] をベースとして使用することも試みましたが、同じ問題がここでも当てはまります。

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)

誰かが私を正しい方向に向けてくれたらうれしいです。

rdplyrigraphadjacency-matrixfind-occurrences
6
Seb

base::tableを使用するオプション：

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

出力：

         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
chinsoon12

これは、dplyrおよびtidyrパッケージを使用する方法です。全体のアイデアは、各国の行ごとの発生を含むデータフレームを作成し、それ自体に結合することです。

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
1
Nareman Darwish