R中具有重叠计数的编码矩阵

Question

我精通Python，但我是一个完全的R新手，我在其他网站上找不到这个问题的答案，虽然它会有点冗长，但我希望它能对R库RQDA的其他用户有用。

本质上，RQDA是一个定性的研究工具，主要用于为文本文件分配代码(主题)。它有点像一支高亮笔，可以计算它突出显示的位置。

如果你放了很多文件，你可以在不同的地方用主题对文本进行编码(例如，一个采访制衣工人的项目可能是“设备”、“缝纫”、“亚麻”、“丝绸”、“照明”、“午休”等)。这使您能够计算使用了多少次不同的代码，在RQDA中，它提供了如下表输出：

rowid   cid fid codenamefilename    index1  index2  CodingLength
1   1   12  1   silk    2010-01-28  409     939     530
2   2   21  1   cotton  2010-01-28  1008    1172    164
3   3   12  1   silk    2010-01-28  1173    1924    751
4   4   39  1   sewing  2010-01-28  1008    1250    751
5   5   38  1   weaving 2010-01-28  1173    1924    751
6   6   78  1   costs   2010-01-28  727     939     212
7   7   23  1   lunch   2010-01-28  1553    1788    235
8   9   7   2   lunch   2010-01-29  1001    1230    371
9   10  4   2   weaving 2010-01-29  1547    1724    135
10  11  6   2   social  2010-01-29  1001    1290    350
11  12  7   2   silk    2010-01-29  1926    2276    350
12  14  17  2   supply  2010-01-29  1926    2276    350
13  15  78  2   costs   2010-01-29  1926    2276    350
14  17  78  2   weaving 2010-01-29  1890    2106    212

给出的文本代码=代码(主题)

文件名=文本的文件名(本例中为日记条目的日期)

index1 =字符在开始代码的文件中的位置(突出显示的文本)

index2 =字符在代码结束的文件中的位置(突出显示的文本)

CodingLength =编码/突出显示文本的总长度

我想要做的是遍历整个表(大约1,500行)，使用代码的总列表(上表中的代码名，大约100个唯一的代码)，以便输出代码之间重叠的双向矩阵，例如(仅指示性的，有5个代码)：

    silk    cotton  sewing  weaving lunch breaks    socialising
silk    *     0      0       3       2              0
cotton  0     *      5       0       0              0
sewing  0     5      *       0       0              0
weaving 3     0      0       *       0              0
lunchs  2     0      0       0       *              5
socialg 0     0      0       0       5              *

(代码在这个输出上有点混乱，但希望您能理解)

因此，在R中，我需要一些代码来迭代代码列表，并计算A)文件名相同和B)在index1和index2之间的范围内重叠的实例数(CodingLength可能并不重要)。

除了以下几个模糊的预感之外，我对如何使这一工作感到迷惑不解：

1. 我可能需要将表标记为变量，例如： coding_table <- getCodingTable()
2. 我可能需要列出唯一变量的列表，例如： X=c(“丝绸”、“棉花”、“编织”、“缝纫”、“午餐”.(等等)
3. 我需要一个做检查的函数
4. 我需要行的for -循环。
5. 我需要一个布尔测试，检查范围和文件名，例如任何(在%727:939中为409:939%) &&文件名==文件名

基于此，有没有人能找到一种很短的解决方案呢？我觉得python中的等价物最多是10行，但考虑到R中所需的额外位数，我完全不知道如何做到这一点。

Answer 1

您可以在foverlap包中使用data.table函数创建一个edgelist，然后将其转换为一个加权邻接矩阵。(见这里)。

使用data.table、dplyr和igraph的组合，我认为这可以满足您的需要(但是，没有数据是无法验证的)。

首先，将数据帧设置为数据表，并设置index1和index2的键。然后，foverlap标识条目，其中index1和index2有任何重叠。消除自重叠后，将foverlaps生成的ids替换为来自数据集的相应代码名。这就创造了一个边缘学家。将此编辑传递给igraph，以创建igraph对象，并将其作为邻接矩阵返回。

require(igraph); require(data.table); require(dplyr)

el <- setkey(setDT(coding_table), filename, index1, index2) %>%
  foverlaps(., ., type="any", which=TRUE) %>%
  .[coding_table$codename[xid] != coding_table$codename[yid]] %>%
  .[, `:=`(xid = coding_table$codename[xid], yid = coding_table$codename[yid])]

m <- as.matrix(get.adjacency(graph.data.frame(el)))

当然，dplyr是完全可选的；管道使它更加整洁，避免在环境中创建更多的对象。

Answer 2

另一种似乎有效的方法，我理解你的描述。

使用"IRanges“包查找重叠：

fo = findOverlaps(IRanges(dat$index1, dat$index2))

检查重叠区域是否属于相同的“文件名”：

i = dat$filename[queryHits(fo)] == dat$filename[subjectHits(fo)]

并且，为重叠的"index1“和"index2”列出“代码名”，它们属于同一个“文件名”：

table(dat$codename[queryHits(fo)[i]], dat$codename[subjectHits(fo)[i]])
#       
#          costs cotton lunch sewing silk social supply weaving
#  costs       2      0     0      0    2      0      1       1
#  cotton      0      1     0      1    0      0      0       0
#  lunch       0      0     2      0    1      1      0       1
#  sewing      0      1     0      1    1      0      0       1
#  silk        2      0     1      1    3      0      1       2
#  social      0      0     1      0    0      1      0       0
#  supply      1      0     0      0    1      0      1       1
#  weaving     1      0     1      1    2      0      1       3