检查一个df组中是否至少有两个值与另一个df匹配。

Question

假设我有一个这样的数据框架。

df1：

ID      Skill        Community
1       IT              X
1       Analytics       X
1       ERP             X
2       Analytics       X
2       ERP             X
2       CRM             X
2       Finance         X

另一个数据文件看起来是这样的：

df2：

ID        Skill
3         Public Speaking
3         IT
3         Management
3         ERP
4         HR
4         Finance
...

我的目标基本上是说，如果，如果一个特定的人(用其ID标识)与df1的某个人至少有2项共同技能，那么他也应该被分配到X社区。

在上面的例子中，ID编号3也应该分配给社区X (因为他在技术上有信息技术和企业资源规划，就像ID编号1一样)，而不是ID 4，因为他只具备与ID编号2(与财务)相匹配的技能。

对于df2，我的预期输出应该如下所示

ID      Skill                 Community
3       Public Speaking          X
3       IT                       X
3       Management               X
3       ERP                      X
4       HR                      NULL
4       Finance                 NULL
.....

目前，我只在df2df2中使用命令%in%，在df1$ 中使用技能%，但这只检查一个特定技能，而不按ID处理。

你知道我该如何处理这个问题吗？

任何帮助都将不胜感激。

Answer 1

请在您的真实世界数据集上测试这一点，以确定以下内容是否有效。

library(dplyr)
library(tidyr)

df3 <- df2 %>%
  left_join(df1, by = "Skill") %>%
  drop_na(ID.y) %>%
  count(ID.x, ID.y) %>%
  filter(n > 1) %>%
  distinct(ID.x) %>%
  mutate(Community = "X") %>%
  select(ID = ID.x, Community) %>%
  left_join(df2, ., by = "ID")
df3
#   ID           Skill Community
# 1  3 Public Speaking         X
# 2  3              IT         X
# 3  3      Management         X
# 4  3             ERP         X
# 5  4              HR      <NA>
# 6  4         Finance      <NA>

数据

df1 <- read.table(text = "ID      Skill        Community
1       IT              X
                  1       Analytics       X
                  1       ERP             X
                  2       Analytics       X
                  2       ERP             X
                  2       CRM             X
                  2       Finance         X",
                  header = TRUE, stringsAsFactors = FALSE)

df2 <- read.table(text = "ID        Skill
3         'Public Speaking'
3         IT
3         Management
3         ERP
4         HR
4         Finance",
                  header = TRUE, stringsAsFactors = FALSE)

Answer 2

另一种选择

library(data.table)
setDT(df2)

df2[, Community := 
        'X'[any(tapply(df1$Skill, df1$ID, function(x) sum(Skill %in% x)) >= 2)]
    , by = ID]

df2

#    ID           Skill Community
# 1:  3 Public_Speaking         X
# 2:  3              IT         X
# 3:  3      Management         X
# 4:  3             ERP         X
# 5:  4              HR      <NA>
# 6:  4         Finance      <NA>