计算特定行（R）中数据框内的相似度

Question

我有一个看起来像这样的数据框：

df <- data.frame("index" = 1:10, "title" = c("Sherlock","Peaky Blinders","Eastenders","BBC News", "Antiques Roadshow","Eastenders","BBC News","Casualty", "Dragons Den","Peaky Blinders"), "date" = c("01/01/20","01/01/20","01/01/20","01/01/20","01/01/20","02/01/20","02/01/20","02/01/20","02/01/20","02/01/20"))

输出看起来像这样：

Index  Title              Date
1      Sherlock           01/01/20
2      Peaky Blinders     01/01/20
3      Eastenders         01/01/20
4      BBC News           01/01/20
5      Antiques Roadshow  01/01/20
6      Eastenders         02/01/20
7      BBC News           02/01/20
8      Casualty           02/01/20
9      Dragons Den        02/01/20
10     Peaky Blinders     02/01/20

我希望能够确定标题在不同日期出现的次数。在上面的示例中，“ BBC新闻”，“ Peaky Blinders”和“ Eastenders”都出现在01/01/20和02/01/20上。因此，两个日期之间的相似度为60％（两个日期中5个标题中的3个相同）。

可能值得一提的是，实际的数据框要大得多，每天有120个标题，跨度约700天。我需要将每个“日期”的“标题”与上一个“日期”进行比较，然后计算它们的相似度。为了清楚起见，我需要确定01/01/20与02/01 / 20、02 / 01/20与03/01 / 20、03 / 01/20与04/01/20的相似性，依此类推在...

有人知道我该怎么做吗？我最终的目标是使用Tableau可视化一段时间内的相似性/差异，但是我担心这样的计算对于该特定软件来说太复杂了，我将不得不以某种方式将其添加到实际数据本身中。

Answer 1

我想出了这个解决方案。但是，我不确定当每天的记录数不同时它将如何工作（即，第n天有8个标题，第n + 1天有15个标题）。我想您希望针对具有更多记录的日期进行标准化。无论如何，它来了：

divide <- split.data.frame(df, as.factor(df$date))
 similarity <- vector()
 for(i in 1:(length(divide)-1)){
   index <- sum((divide[[i]]$title) %in% divide[[i+1]]$title)/max(c(length(divide[[i]]$title), length((divide[[i+1]]$title))))
   similarity <- c(similarity, index)
 }
similarity

Answer 2

这里是另一种可能性。您可以创建一个简单的函数来计算组之间的相似度或其他索引。然后，按日期将数据框分成一个列表。然后将自定义函数应用于列表中的每个函数（结果将是一个列表）。

calc_similar <- function(i) {
  sum(s[[i]] %in% s[[i-1]])/length(s[[i-1]])
}

s <- split(df$title, df$date)

setNames(lapply(seq_along(s)[-1], calc_similar), names(s)[-1])

输出

$`2020-01-02`
[1] 0.6