将多个分组索引合并为一个

Question

我面临一个问题，我必须将各种分组索引连接成一个。这是一个例子：

df <- data.frame(idx1 = c("1_1","1_1","1_2","1_3","1_4","1_4","1_5","1_6","1_6"),
                 idx2 = c("2_1","2_2","2_2","2_3","2_4","2_5","2_6","2_7","2_8"),
                 idx3 = c("3_1","3_1","3_2","3_3","3_3","3_5","3_6","3_7","3_8"))


  idx1 idx2 idx3
1  1_1  2_1  3_1
2  1_1  2_2  3_1
3  1_2  2_2  3_2
4  1_3  2_3  3_3
5  1_4  2_4  3_3
6  1_4  2_5  3_5
7  1_5  2_6  3_6
8  1_6  2_7  3_7
9  1_6  2_8  3_8

每个索引表示重复的行，用不同的方法检测到。我想创建一个连接三者的索引。例如，第 1 行和第 2 行用idx1 表示相同，第 2 和第 3 行用idx2 表示，因此第 1、2 和 3 行是相同的，应该具有相同的分组索引。

第 4 行和第 5 行具有相同的 idx3 分组索引，第 5 和第 6 行具有相同的 idx1，因此它们应该具有相同的分组索引，与第 1、2 和 3 行不同。

我确实设法编写了一个循环来创建连接索引：

df$I <- seq(df$idx1)
df$doublon_idx <- as.numeric(NA)
idx_cnt <- 1
for(i in 1:dim(df)[1]){
  if(is.na(df[i,"doublon_idx"])){
    df[i,"doublon_idx" ] <- idx_cnt
    idx_cnt <- idx_cnt + 1
  }
  df[df$I != i & df$idx1 == df[i,]$idx1,"doublon_idx"] <- df[i,"doublon_idx"]
  df[df$I != i & df$idx2 == df[i,]$idx2,"doublon_idx"] <- df[i,"doublon_idx"]
  df[df$I != i & df$idx3 == df[i,]$idx3,"doublon_idx"] <- df[i,"doublon_idx"]
}

（预期的）输出是：

  idx1 idx2 idx3 I doublon_idx
1  1_1  2_1  3_1 1           1
2  1_1  2_2  3_1 2           1
3  1_2  2_2  3_2 3           1
4  1_3  2_3  3_3 4           2
5  1_4  2_4  3_3 5           2
6  1_4  2_5  3_5 6           2
7  1_5  2_6  3_6 7           3
8  1_6  2_7  3_7 8           4
9  1_6  2_8  3_8 9           4

但我对此并不满意：它不是通用的，它使用循环，所以当表变大时它很慢。我确信有一种合并的方式，或者聪明的方式来做到这一点，我没有找到。你的是什么？可以推广到任意数量的分组索引吗？

欢迎dplyr 和data.table （虽然我更喜欢data.table，如果你能同时做到这两个）

Answer 1

不确定这在您的实际数据集上会有多快。这是一种结合igraph和data.table的方法：

library(data.table)
setDT(df)[, rn := .I]

#create edges and idx* are your vertices
DT <- rbindlist(list(
  df[, .(s=idx1, e=idx2, rn)],
  df[, .(s=idx1, e=idx3, rn)],
  df[, .(s=idx2, e=idx3, rn)]))

#find linked clusters
library(igraph)
g <- graph_from_data_frame(DT, directed=FALSE)
cl <- clusters(g)$membership))

#look up cluster for each vertex
DT[, g := cl[s]]

#look up grouping for each vertex
df[unique(DT, by="rn"), on=.(rn), doublon_idx := g]

输出例如1：

   idx1 idx2 idx3 rn doublon_idx
1:  1_1  2_1  3_1  1           1
2:  1_1  2_2  3_1  2           1
3:  1_2  2_2  3_2  3           1
4:  1_3  2_3  3_3  4           2
5:  1_4  2_4  3_3  5           2
6:  1_4  2_5  3_5  6           2
7:  1_5  2_6  3_6  7           3
8:  1_6  2_7  3_7  8           4
9:  1_6  2_8  3_8  9           4

输出例如2：

   idx1 idx2 idx3 rn doublon_idx
1:  1_1  2_1  3_1  1           1
2:  1_1  2_2  3_1  2           1
3:  1_2  2_2  3_2  3           1
4:  1_3  2_3  3_3  4           2
5:  1_4  2_4  3_3  5           2
6:  1_4  2_5  3_5  6           2
7:  1_5  2_6  3_6  7           3
8:  1_6  2_7  3_7  8           4
9:  1_6  2_8  3_8  9           4