检查其他行中的常见项目

Question

我有更多的一般性问题。我有一个如下所示的数据框，由可以检查多个项目（至少 3 个，最多 6 个）的 ID 组成。

id  item_1      item_2      item_3      item_4      item_5      item_6
1   13103802    13060661    13339404    12896842    13308823    NA
2   448361      497992      13103802*   13002842    NA          NA
3   13031560    13103802*   13268709    2139908     1954965     12930979    
4   13060661*   13339404*   446881      13406902    NA          NA
5   12980231    12980231    12980231    NA          NA          NA
6   12896842*   13339404*   12717215    444032      13308823*   NA  
7   2098716     449342      13339070    12993196    2649922     NA  
8   2678151     12700906    12903744    2623298     12736032    349511  
9   2501765     2534504     2629353     NA          NA          NA  
10  12955428    12766447    12944593    NA          NA          NA

现在对于每个 id，我想计算有多少其他 id 共享相似的 1 到 6 个项目。所以最后我想再添加 6 列，其中包含共享 1 个项目、2 个项目等的行数。

因此，根据上面的数据，对于第一行，“1 项”列的值为 4，因为它至少与第 2、3、4 和 6 行共享一个项目，“2 项”列的值为2 因为它与第 4 行和第 6 行共享至少 2 个项目，而“3 项”列的值为 1，因为它与第 6 行共享至少 3 个项目，依此类推（我在其他行中标记了与第一行共享的值*所以我希望它更明显）。

不确定方法，有人可以帮忙吗？

Answer 1

您可以使用

table

计算每列的

match

ing 值的数量，然后应用

rowSums

：

library(dplyr)
tab <- table(unlist(df[-1]))
df <- 
  df %>% 
  mutate(across(contains("item"), ~ tab[match(.x, names(tab))] - 1, 
                .names = "count{gsub('item', '', col)}"),
         count = rowSums(across(contains("count")) > 0 , na.rm = TRUE))

   id   item_1   item_2   item_3   item_4   item_5   item_6 count_1 count_2 count_3 count_4 count_5 count_6 count
1   1 13103802 13060661 13339404 12896842 13308823       NA       2       1       2       1       1      NA     5
2   2   448361   497992 13103802 13002842       NA       NA       0       0       2       0      NA      NA     1
3   3 13031560 13103802 13268709  2139908  1954965 12930979       0       2       0       0       0       0     1
4   4 13060661 13339404   446881 13406902       NA       NA       1       2       0       0      NA      NA     2
5   5 12980231 12980231 12980231       NA       NA       NA       2       2       2      NA      NA      NA     3
6   6 12896842 13339404 12717215   444032 13308823       NA       1       2       0       0       1      NA     3
7   7  2098716   449342 13339070 12993196  2649922       NA       0       0       0       0       0      NA     0
8   8  2678151 12700906 12903744  2623298 12736032   349511       0       0       0       0       0       0     0
9   9  2501765  2534504  2629353       NA       NA       NA       0       0       0      NA      NA      NA     0
10 10 12955428 12766447 12944593       NA       NA       NA       0       0       0      NA      NA      NA     0

然后可能

table

在

count

：

table(df$count)
#0 1 2 3 5 
#4 2 1 2 1 

Answer 2

有点凌乱和令人费解的

tidyverse

，但你可以尝试一下。如果这接近您的需要，请告诉我。

library(tidyverse)

df %>%
  pivot_longer(-id, names_pattern = "(\\d+)$") %>%
  filter(!is.na(value)) %>%
  mutate(n = n_distinct(id), ids = list(unique(id)), .by = value) %>%
  unnest(ids) %>%
  filter(id != ids) %>%
  reframe(freq = as.numeric(table(ids)), .by = id) %>%
  right_join(expand_grid(id = df$id, col = 1:(ncol(df)-1)), by = "id", multiple = "all") %>%
  replace_na(list(freq = 0)) %>%
  reframe(value = sum(freq >= col), .by = c("id", "col")) %>%
  pivot_wider(id_cols = id, names_from = col, values_from = value, names_prefix = "count") %>%
  arrange(id)

输出

      id count1 count2 count3 count4 count5 count6
   <int>  <int>  <int>  <int>  <int>  <int>  <int>
 1     1      4      2      1      0      0      0
 2     2      2      0      0      0      0      0
 3     3      2      0      0      0      0      0
 4     4      2      1      0      0      0      0
 5     5      0      0      0      0      0      0
 6     6      2      1      1      0      0      0
 7     7      0      0      0      0      0      0
 8     8      0      0      0      0      0      0
 9     9      0      0      0      0      0      0
10    10      0      0      0      0      0      0

数据

df <- structure(list(id = 1:10, item_1 = c(13103802L, 448361L, 13031560L, 
13060661L, 12980231L, 12896842L, 2098716L, 2678151L, 2501765L, 
12955428L), item_2 = c(13060661L, 497992L, 13103802L, 13339404L, 
12980231L, 13339404L, 449342L, 12700906L, 2534504L, 12766447L
), item_3 = c(13339404L, 13103802L, 13268709L, 446881L, 12980231L, 
12717215L, 13339070L, 12903744L, 2629353L, 12944593L), item_4 = c(12896842L, 
13002842L, 2139908L, 13406902L, NA, 444032L, 12993196L, 2623298L, 
NA, NA), item_5 = c(13308823L, NA, 1954965L, NA, NA, 13308823L, 
2649922L, 12736032L, NA, NA), item_6 = c(NA, NA, 12930979L, NA, 
NA, NA, NA, 349511L, NA, NA)), class = "data.frame", row.names = c(NA, 
-10L))