使用R查找因子变量的相似字模式

Question

我有Data和10 000 Observations，变量名为Com，输入Factor带有3000 Levels。我在这里要做的是在变量Com中找到类似的值模式，然后将其组合成一个。所以，我可以稍后再做分析。str of Data如下所示：

> Data
 'data.frame':   10000 obs. of  1 variable:
  $ Com: Factor w/ 3000 levels

示例：Frequency of Com

> Frequency<-data.frame(Com=c("C/C++ PROGRAMMING", "C; C++ PROGRAMMING", "C++ PROGRAMMING", "C++", "PROGRAMMING C++", "C", "C PROGRAMMING", "C, C++ PROGRAMMING", "PROGRAMMING IN C; C++", "PROGRAMMINGS IN C/C++","PROGRAMMING IN C/C++", "PROGRAMMING (C, C++, CUDA)"), Freq=c(2,3,3,1,2,5,6,2,1,3,4,5))
> Frequency
                                 Com   Freq
1                  C/C++ PROGRAMMING      2
2                 C; C++ PROGRAMMING      3
3                    C++ PROGRAMMING      3
4                                C++      1
5                    PROGRAMMING C++      2
6                                  C      5
7                      C PROGRAMMING      6
8                 C, C++ PROGRAMMING      2
9              PROGRAMMING IN C; C++      1
10             PROGRAMMINGS IN C/C++      3
11              PROGRAMMING IN C/C++      4
12        PROGRAMMING (C, C++, CUDA)      5       # Just add one more situation

我希望Frequency的结果是：

> Frequency
                                 Com   Freq
1                  C/C++ PROGRAMMING     15
2                    C++ PROGRAMMING      6
3                      C PROGRAMMING     11
4         PROGRAMMING (C, C++, CUDA)      5

为此，我可以对Com的级别进行重新编码。但是，这个变量3000 Levels是(Com)，我必须一个接一个地找到它，这将占用我的时间。

那么，在不花费那么多时间的情况下，还有其他方法可以做到这一点吗？我试过看Pattern matching and replacement in R，但仍然不能解决这个问题。

提前谢谢。

Answer 1

您可以在一些步骤中使用正则表达式：

dat$Freq <- as.numeric(dat$Freq)
dat$Com[grep('.*(C).*(C[++]).*',dat$Com)] <- 'ccplusplus'
dat$Com[grep('C[++]',dat$Com)] <- 'cplusplus'
dat$Com[grep('C',dat$Com)] <- 'c'
tapply(dat$Freq,dat$Com,sum)

# c ccplusplus  cplusplus 
# 11         15          6

Answer 2

在包stringr中，您可以很容易地利用str_detect，并且可以通过考虑要分组的模式有哪些共同之处来工作。我可以猜到这是一项艰苦的工作，但我不认为R能进入你的头脑，找到你认为“相似”的东西。

举个例子：

df$Com_grouped <- NA

df$Com_grouped <- ifelse(str_detect(df$Com, "C") & (!str_detect(df$Com, "C[++]")), "C PROGRAMMING", df$Com_grouped)

最后：tapply(df$Freq, df$Com_grouped, sum)，这样你就可以得到频率。