查找组合数

Question

我有一个数据集，其中每一行对应于一个样本，该样本被测试是否存在特定药物(一个样本可以有多个药物)。我正在努力寻找最常见的药物组合，我想知道是否有更好的方法来做到这一点。这是我的数据集的一个例子：

    id = c(id1,id2,id3,id4,id5,id6,id7,id8)
    d1 = c(1,1,0,1,0,1,0,1)
    d2 = c(0,0,1,0,1,1,1,0)
    d3 = c(1,0,1,1,0,1,0,1)

    df = tibble(id, d1, d2, d3)

列id对应于样本的id，其他列是每个样本被测试的药物(在原始数据集中，我有42种药物/列)。1表示是，0表示否。

为了得到组合的数量，我做了以下工作：

df %>% unite("tot", d1:d3, sep = "-", remove = F) %>%
  group_by(tot) %>% summarise(n = n())

# A tibble: 5 x 2
  tot       n
  <chr> <int>
1 0-1-0     2
2 0-1-1     1
3 1-0-0     1
4 1-0-1     3
5 1-1-1     1

好的，现在我知道组合1-0-1 (d1 + d3)是最常见的。这是相对简单的，考虑到在这个例子中我只有3种药物。问题是，当我为这42种药物做了它，我结束了一个巨大的字符串，我需要翻译回来。

有没有更有效的方法来做到这一点？谢谢!

Answer 1

使用dplyr，您可以：

df %>%
 group_by_at(vars(-id)) %>%
 count()

     d1    d2    d3     n
  <dbl> <dbl> <dbl> <int>
1     0     1     0     2
2     0     1     1     1
3     1     0     0     1
4     1     0     1     3
5     1     1     1     1

如果您希望列的名称与n(此处两个)最常见的组合中的列同名，则添加tidyr

df %>%
 group_by_at(vars(-id)) %>%
 count() %>%
 ungroup() %>%
 top_n(2, wt = n) %>%
 rowid_to_column() %>%
 pivot_longer(-c(rowid, n)) %>%
 group_by(rowid, n) %>%
 summarise(name = paste(name[value == 1], collapse = ", "))

  rowid     n name  
  <int> <int> <chr> 
1     1     2 d2    
2     2     3 d1, d3

Answer 2

附加选项

df %>% 
  pivot_longer(-id) %>% 
  filter(value != 0) %>% 
  group_by(id) %>% 
  summarise(name = str_c(name, collapse = ", ")) %>% 
  group_by(name) %>% 
  count() %>% 
  arrange(-n)