我需要给我的数据集中的元素一个相似度分数

Question

我在R中有一个类似于虚拟对象的数据集，如下所示：

Apple-3
Apple-California-4
Apple-China-3
Samsung-2
Samsung-India-2
Sony-AG-1
Sony-4
Sony-USA-4

我需要根据相似度分数将它们组合为

Apple-10
Samsung-4
Sony-9

例如:将Apple, Apple-China, Apple-California合并到Apple中，并对它们的值进行求和。

有没有办法做到这一点？

Answer 1

这真的应该是一个字符串操作练习，但我认为如果不使用字符串函数，这将是一个有趣的挑战。

所以我把你的样本保存为CSV文件。然后使用破折号(-)作为数据帧的分隔符。

df <- read.csv('Manufacturers.csv', header = F, sep = '-')

这将创建一个包含3列的数据框

       V1         V2 V3
1   Apple          3 NA
2   Apple California  4
3   Apple      China  3
4 Samsung          2 NA
5 Samsung      India  2
6    Sony         AG  1
7    Sony          4 NA
8    Sony        USA  4

由于V2是一个因子，因此将其转换为数字。

df$V2 <- as.numeric(as.character(df$V2))

在这一点上，V2和V3是一堆带NAs的数字。让我们将这些NAs转换为0。

df$V2[is.na(df$V2)] <- 0
df$V3[is.na(df$V3)] <- 0

将V2和V3一起添加到新列中。我给我的数量打了电话。

df$Quantity <-df$V2 + df$V3

然后对数量列求和。

aggregate(df$Quantity, by=list(Category=df$V1), FUN=sum)

这就是我得到的：

  Category  x
1    Apple 10
2  Samsung  4
3     Sony  9

祝你编码愉快！

-bg

Answer 2

这是gsub和aggregate的另一种方法。请注意，我事先将其从factor转换为character。

d$names <- gsub("-.*", "", d$V1)
d$values <- as.numeric(gsub("[^\\d]", "", d$V1, perl = TRUE))
aggregate(values ~ names, d, sum)
#    names values
#1   Apple     10
#2 Samsung      4
#3    Sony      9 

DATA

dput(d)
structure(list(V1 = c("Apple-3", "Apple-California-4", "Apple-China-3", 
"Samsung-2", "Samsung-India-2", "Sony-AG-1", "Sony-4", "Sony-USA-4"
), names = c("Apple", "Apple", "Apple", "Samsung", "Samsung", 
"Sony", "Sony", "Sony"), values = c(3, 4, 3, 2, 2, 1, 4, 4)), .Names = c("V1", 
"names", "values"), row.names = c(NA, -8L), class = "data.frame")

Answer 3

您应该首先将字符比特与分数分开：

# 2 rows one with ID and one with score
company <- as.matrix(c("Apple", "Apple-California", "Apple-China", "Samsung" ))
score   <- as.matrix(c(3, 4,3, 2))

# bind columns create a frame
data <- cbind(company, score)

# this will return which rows contain the word "Apple"

n <- grep("Apple", data[,1])

同样需要知道的是如何对字符向量进行子集，以便去除多余的位

看看strsplit(), paste()和paste0()函数。

第一个将帮助您将文本分解为单独的字符。后者将帮助您将内容重新粘贴到一起：

另一个容易使用的是substr("HEllo", 1,4)，它将输出字符1到4 -> "Hell"