R中分组关联矩阵的求法

Question

我要通过多篇论文和文章一起发表来研究科研机构之间的协作网络。每一篇文章都有一个标识特定文章的唯一代码。如果两个(或更多)研究所的数据库中有相同的ArticleCode，这就意味着在发表这篇文章时要在它们之间进行协作。

以下是数据集的组织方式：

Intitute name | ArticleName | ArticleCode | Area | Pages | NumberofCitations | ...

我总共有90个学院，所以90 csv文件在这里。我必须达到的结果是，在一张表中，我得到了以下信息：

Institute#1 | Institute#2 | TotArticles | TotArea#1 | TotArea#2 | TotArea#3 |...

因此，我需要每一对已经合作过的研究所的夫妇，他们的名字，发表的文章总数(TotArticles)，以及他们在其他专栏中的细分(总共5篇:艺术与人文；生命科学与生物医学；物理科学；社会科学；技术)。

一开始我以为可以通过ArticleCode合并csv，但我很快意识到，如果我想分析所有研究所之间所有可能的组合，我将不得不重复合并步骤4000次.巨大的浪费时间。

也许我可以更快地完成，如果我合并在一个独特的csv，所有机构的出版物总数，然后操作它，以获得最后的表格。添加90 csv的所有行，我将获得类似于1.300.000行的内容，不知道在技术上是否有可能对其进行操作。

下面是一个例子。

希望我能把问题暴露得足够清楚，否则就告诉我一句。

从这种事情开始..。

Institute | ArticleCode | Area             | Pages | ...  
In.AAA    | articleX    | Arts & Humanities| 90    | ...
In.AAA    | articleP    | Technology       | 10    | ...
In.BBB    | articleZ    | ...              | 907   | ...
In.BBB    | articleX    | Arts & Humanities| 90    | ...
In.CCC    | articleF    | Arts & Humanities| 89    | ...
In.DDD    | articleP    | Technology       | 10    | ...
In.DDD    | articleX    | Arts & Humanities| 90    | ...

对此：

Institute#1 | Institute#2 | TotArticles |Arts & Humanities | TotTechnology
In. AAA     | In.BBB      | 1           | 1                | 0         
In. AAA     | In.DDD      | 2           | 1                | 1           
In. BBB     | In.DDD      | 1           | 1                | 0  

Answer 1

您可以将Institute列转换为数字因子，然后使用data.table将其本身的表与非equi联接连接起来。

library(data.table)

setDT(df)[, Institute:=as.factor(Institute)]
result = dcast(
  df[df[, Institute2:=Institute], on=.(ArticleCode, Institute>Institute2), nomatch=0],
  Institute+Institute2~Area,fun.aggregate = length
)[, TotArticles:=rowSums(.SD), .SDcols = -c(1,2)]

输出：

   Institute Institute2 Arts & Humanities Technology TotArticles
1:    In.AAA     In.BBB                 1          0           1
2:    In.AAA     In.DDD                 1          1           2
3:    In.BBB     In.DDD                 1          0           1

输入：

structure(list(Institute = c("In.AAA", "In.AAA", "In.BBB", "In.BBB", 
"In.CCC", "In.DDD", "In.DDD"), ArticleCode = c("articleX", "articleP", 
"articleZ", "articleX", "articleF", "articleP", "articleX"), 
    Area = c("Arts & Humanities", "Technology", "...", "Arts & Humanities", 
    "Arts & Humanities", "Technology", "Arts & Humanities"), 
    Pages = c("90", "10", "907", "90", "89", "10", "90")), class = "data.frame", row.names = c(NA, 
-7L))

更新(6/6/22)

OP现在希望添加一个额外的列，比如Year，它指示文章的年份，并根据该值分隔行。只需要两个小的改动：

1. 将Year添加到dcast
2. 中公式的左侧，展开从c(1,2)到c(1:3)从rowSums中排除的列(即从前两列到前三列

)。

setDT(df)[, Institute:=as.factor(Institute)]
result = dcast(
  df[df[, Institute2:=Institute], on=.(ArticleCode, Institute>Institute2), nomatch=0],
  Year + Institute+Institute2~Area,fun.aggregate = length
)[, TotArticles:=rowSums(.SD), .SDcols = -c(1:3)]

输出：

Key: <Year, Institute, Institute2>
    Year Institute Institute2 Arts & Humanities Technology TotArticles
   <num>    <fctr>     <fctr>             <int>      <int>       <num>
1:  2005    In.AAA     In.BBB                 1          0           1
2:  2005    In.AAA     In.DDD                 1          0           1
3:  2005    In.BBB     In.DDD                 1          0           1
4:  2006    In.AAA     In.DDD                 0          1           1

新投入：

structure(list(Institute = c("In.AAA", "In.AAA", "In.BBB", "In.BBB", 
"In.CCC", "In.DDD", "In.DDD"), ArticleCode = c("articleX", "articleP", 
"articleZ", "articleX", "articleF", "articleP", "articleX"), 
    Area = c("Arts & Humanities", "Technology", "...", "Arts & Humanities", 
    "Arts & Humanities", "Technology", "Arts & Humanities"), 
    Pages = c("90", "10", "907", "90", "89", "10", "90"), Year = c(2005, 
    2006, 2005, 2005, 2005, 2006, 2005)), row.names = c(NA, -7L
), class = "data.frame")