R:在dataframe中测试名称值的重叠

Question

我有一张满是名字的数据。

对于dataframe中的给定行，我希望将该行与df中的每一行进行比较，并确定匹配名称的数量是否小于或等于每一行4。

玩具示例，其中第3行是感兴趣的行

1. "Jim“、"Dwight”、"Michael“、"Andy”、"Stanley“、"Creed"
2. "Jim”、"Dwight“、"Angela”、"Pam“、"Ryan”、"Jan"
3. "Jim“、"Dwight”、"Angela“、"Pam”、"Creed“、"Ryan”& of；

。

因此，首先我们比较第3行和第1行，并看到名称重叠为3，这符合<= 4的条件。

然后，我们将第3行与第2行进行比较，发现名称重叠为5，这不符合<=4的条件，最终返回了一个失败的条件，即上面的每一行都是<=4。

现在，我正在使用for循环执行此操作，但是对于我所使用的数据帧大小来说，速度太慢了。

Answer 1

示例数据

df <- as.data.frame(rbind(
  c("Jim","Dwight","Michael","Andy","Stanley","Creed"),
c("Jim","Dwight","Angela","Pam","Ryan","Jan"),
c("Jim","Dwight","Angela","Pam","Creed","Ryan")
), stringsAsFactors = FALSE)

df
#    V1     V2      V3   V4      V5    V6
# 1 Jim Dwight Michael Andy Stanley Creed
# 2 Jim Dwight  Angela  Pam    Ryan   Jan
# 3 Jim Dwight  Angela  Pam   Creed  Ryan

操作和输出(在列上应用%in%并接受rowSums)

out_lgl <- rowSums(sapply(df, '%in%', unlist(df[3,]))) <= 4

out_lgl
# [1]  TRUE FALSE FALSE
which(out_lgl)
# [1] 1

解释：

对于每一列，将每个元素与第三行(向量unlist(df[3,]))进行比较。输出是一个逻辑值矩阵，如果有匹配，则其维度与df、TRUE相同。

sapply(df, '%in%', unlist(df[3,]))

#        V1   V2    V3    V4    V5    V6
# [1,] TRUE TRUE FALSE FALSE FALSE  TRUE
# [2,] TRUE TRUE  TRUE  TRUE  TRUE FALSE
# [3,] TRUE TRUE  TRUE  TRUE  TRUE  TRUE

然后，我们可以对TRUEs进行求和，以查看每一行的匹配数。

rowSums(sapply(df, '%in%', unlist(df[3,])))
# [1] 3 5 6

编辑：

我在上面创建的stringsAsFactors = FALSE中添加了df选项。然而，据我所知，%in%的输出是相同的，无论是比较不同级别的因素还是不同的字符，所以我不认为这会以任何方式改变结果。见下面的例子

x <- c('b', 'c', 'z')
y <- c('a', 'b', 'g')

all.equal(x %in% y, factor(x) %in% factor(y))
# [1] TRUE

Answer 2

类似于IceCreamToucan的解决方案，但适用于任何行。

对于data.frame：

df <- as.data.frame(rbind(
  c("Jim","Dwight","Michael","Andy","Stanley","Creed"),
  c("Jim","Dwight","Angela","Pam","Ryan","Jan"),
  c("Jim","Dwight","Angela","Pam","Creed","Ryan")
)

对于任何第一行：

f <- function(i) {
  if(i == 1) return(T)
  r <- vapply(df[1:(i-1),], '%in%', unlist(df[i,]), FUN.VALUE = logical(i-1))
  out_lgl <- rowSums(as.matrix(r)) <= 4
  return(all(out_lgl))
}