根据多列的相似性创建平衡子集

Question

我正在寻找找到行子集的可能性（一个子集应包含 6 行），其中多列的值均值最相似。所以，我希望 R 搜索我的 data.frame 并创建每个 6 行的子集，以便最终这些子集彼此最相似。相似度可以用欧几里得距离来衡量（正如@David Robinson 所指出的那样）。

我的数据是这样的：

  TID   Cue1  Cue2  Cue3
  1    2.06   1.90  3.82
  2    5.18   4.13  5.10
  3    5.09   2.85  2.80
  4    1.93   4.14  4.75
  ...   ...    ...   ...       

我现在想知道 R 中是否有一种方法，我发现以下内容：

-给我例如4 个子集，每个子​​集包含 6 行，其中 4 个子集在 Cue1、Cue2 和 Cue3 均值（SD 不重要）中最可能相似，而 每个子集包含唯一的行（子集之间没有重复的行）。

一个例子是（与我的例子中的数据不匹配）：

-子集 1 包含 TID 1、TID 6、TID 14、TID 28、TID 39、TID 50，并且该子集具有提示均值（Cue1 = 3,2；Cue2 = 2， 5; 提示 3 = 4)

-子集 2 包含 TID 3、TID 12、TID 20、TID 40、TID 54、TID 59，并且该子集具有提示均值（Cue1 = 3,3；Cue2 = 2， 6；Cue3 = 4,1)。

因此这两个子集在提示手段上非常（最）相似。 R 现在应该将构成子集的行号（或 TID 值）命名为我。

在 R 中是否有可能做到这一点？

以下是我的数据外观的可重现示例：

    mysamp <- function(n, m, s, lwr, upr, nnorm) {
  set.seed(1)
  samp <- rnorm(nnorm, m, s)
  samp <- samp[samp >= lwr & samp <= upr]
  if (length(samp) >= n) {
    return(sample(samp, n))
  }  
 } 
Cue1 <- mysamp(n=60, m=3, s=1.5, lwr=1, upr=6, nnorm=1000)
Cue2 <- mysamp(n=60, m=3, s=2.5, lwr=1, upr=6, nnorm=1000)
Cue3 <- mysamp(n=60, m=4, s=1.5, lwr=1, upr=6, nnorm=1000)

df <- data.frame(TID= 1:60, Cue1= Cue1, Cue2= Cue2, Cue3= Cue3)

Answer 1

这是一个聚类问题，因此您可以通过以下方式解决它：

• 计算距离矩阵
• 使用它来构建相似节点组的“树”
• 提取在树上显示为最低的您大小的子集群

距离矩阵和层次聚类可以如下：

distances <- dist(df[, -1])
h <- hclust(distances)

有很多方法可以通过算法从树上拉出低簇；因为我习惯于使用 dplyr/purrr/tidyr，所以我将展示一种解决方案。这采用了使用cutree 将树在每个可能的级别上拆分的方法，然后找到每组六个第一次出现的时间。

library(dplyr)
library(tidyr)
library(purrr)

clusterings <- data_frame(ncluster = seq(nrow(df), 1)) %>%
  unnest(membership = map(ncluster, ~ cutree(h, .))) %>%
  group_by(ncluster) %>%
  mutate(row = row_number()) %>%
  ungroup() %>%
  nest(-ncluster, -membership) %>%
  mutate(size = map_dbl(data, nrow)) %>%
  filter(size == 6) %>%
  distinct(membership, .keep_all = TRUE) %>%
  unnest(data) %>%
  mutate(TID = df$TID[row])

根据您的数据，返回：

# A tibble: 42 × 5
   ncluster membership  size   row   TID
      <int>      <int> <dbl> <int> <int>
1        29          9     6     9     9
2        29          9     6    30    30
3        29          9     6    39    39
4        29          9     6    41    41
5        29          9     6    43    43
6        29          9     6    57    57
7        21         13     6    15    15
8        21         13     6    20    20
9        21         13     6    25    25
10       21         13     6    29    29
# ... with 32 more rows

因此，(9, 30, 39, 41, 43, 57) 构成您的第一组 6，而第二组以 (15, 20, 25, 29...) 开始