获取不同组的相同个体数量答案

【问题标题】：Get number of same individuals for different groups获取不同组的相同个体数量
【发布时间】：2015-11-09 16:27:47
【问题描述】：

我有一个数据集，其中包含可以属于多个组的个人 (ID)。

例子：

library(data.table)
DT <- data.table(
  ID = rep(1:5, c(3:1, 2:3)),
  Group = c("A", "B", "C", "B",
            "C", "A", "A", "C",
            "A", "B", "C")
)
DT
#     ID Group
#  1:  1     A
#  2:  1     B
#  3:  1     C
#  4:  2     B
#  5:  2     C
#  6:  3     A
#  7:  4     A
#  8:  4     C
#  9:  5     A
# 10:  5     B
# 11:  5     C

我想知道两组相同个体的总和。

结果应该是这样的：

  Group.1    Group.2    Sum
    A           B        2
    A           C        3
    B           C        3

其中总和表示两组共有的个体数量。

【问题讨论】：

另见post。您可以将该答案与as.data.frame(as.table()) 和complete.cases 结合使用。
out <- with(dt, crossprod(table(ID, Group))); out[lower.tri(out, diag=TRUE)] <- NA; na.omit(as.data.frame.table(out)) 来自上面的链接
@alexis_laz 和 @rawr 也是不错的解决方案！谢谢。

标签： r sum data.table

【解决方案1】：

这是我的版本：

# size-1 IDs can't contribute; skip
DT[ , if (.N > 1) 
  # simplify = FALSE returns a list;
  #   transpose turns the 3-length list of 2-length vectors
  #   into a length-2 list of 3-length vectors (efficiently)
  transpose(combn(Group, 2L, simplify = FALSE)), by = ID
  ][ , .(Sum = .N), keyby = .(Group.1 = V1, Group.2 = V2)]

有输出：

#    Group.1 Group.2 Sum
# 1:       A       B   2
# 2:       A       C   3
# 3:       B       C   3

【讨论】：

或者，您可以使用DT[ , as.data.table(combinat::combn2(unique(Group))), by = ID][, .(Sum = .N), keyby = .(Group.1 = V1, Group.2 = V2)]。 combinat::combn2() 在.N < 2 的情况下不会抛出错误，并且不需要transpose()。
@Uwe cool :) 看一下combn2 的source，我发现它只是在内部执行t，所以我猜transpose 会更有效率:) ( ps 最后编辑于 1994 年！？：o）
基准比较会非常有趣（如果尚未在 SO 上发布）。
@Uwe 也有同样的想法，但没有立即想到基准测试的方法，所以我放弃了：p

【解决方案2】：

截至 1.9.8 版（2016 年 11 月 25 日在 CRAN 上），data.table 已获得执行非等值连接的能力。因此，可以使用 self non-equi join：

library(data.table) # v1.9.8+
setDT(DT)[, Group:= factor(Group)]
DT[DT, on = .(ID, Group < Group), nomatch = 0L, .(ID, x.Group, i.Group)][
  , .N, by = .(x.Group, i.Group)]

   x.Group i.Group N
1:       A       B 2
2:       A       C 3
3:       B       C 3

解释

ID, Group < Group 上的非等连接是combn() 的data.table 版本（但按组应用）：

DT[DT, on = .(ID, Group < Group), nomatch = 0L, .(ID, x.Group, i.Group)]

   ID x.Group i.Group
1:  1       A       B
2:  1       A       C
3:  1       B       C
4:  2       B       C
5:  4       A       C
6:  5       A       B
7:  5       A       C
8:  5       B       C

【讨论】：

很好地使用自我NE加入！非常 SQL :p ;感谢您让我注意到这个问题，我的回答很草率，我有机会改进它:)
@MichaelChirico 我正在尝试通过data.table 学习 SQL ;-)
那么，你的下一个任务是在 SQL 中实现我自己的方法：p

【解决方案3】：

我们使用相同的数据集on'ID'进行自连接，对'Group'列不同的行进行子集化，获取nrows（.N），按'Group'列分组，对'进行排序使用 pmin/pmax 逐行分组 Group.1' 和 'Group.2' 列，并获取 unique 的值 'N'。

 library(data.table)#v1.9.6+
 DT[DT, on='ID', allow.cartesian=TRUE][Group!=i.Group, .N ,.(Group, i.Group)][, 
      list(Sum=unique(N)) ,.(Group.1=pmin(Group, i.Group), Group.2=pmax(Group, i.Group))]

#   Group.1 Group.2 Sum
#1:       A       B   2
#2:       A       C   3
#3:       B       C   3

或者正如@MichaelChirico 和@Frank 在cmets 中提到的，我们可以将'Group' 转换为factor 类，基于as.integer(Group) < as.integer(i.Group) 对行进行子集化，按'Group'、'i.Group' 分组并得到nrow (.N)

DT[, Group:= factor(Group)]
DT[DT, on='ID', allow.cartesian=TRUE][as.integer(Group) < as.integer(i.Group), .N, 
                       by = .(Group.1= Group, Group.2= i.Group)]

【讨论】：

谢谢！正是我想要的！
@akrun 我喜欢您的方法，但我会执行以下操作：首先将Group 转换为factor（如果还没有），然后只需将as.integer(Group)<as.integer(i.Group) 添加到逻辑语句中第二个[ ] 对。那你就不用担心pmax这个烂摊子了。
是的，我同意迈克尔的观点。我会做dt[dt, on="ID", allow.cartesian=TRUE][Group < i.Group, .N, by=.(G1=Group,G2=i.Group)] 假设人们没有在同一组中多次列出（因此不需要uniqueN）。

【解决方案4】：

上面的答案很好。如果您或其他人有兴趣，可以使用 dplyr 替代。

library(dplyr)

cmb = combn(unique(dt$Group),2)

data.frame(g1 = cmb[1,],
           g2 = cmb[2,]) %>%
  group_by(g1,g2) %>%
  summarise(l=length(intersect(DT[DT$Group==g1,]$ID,
                               DT[DT$Group==g2,]$ID)))

    #       g1     g2     l
    #    (fctr) (fctr) (int)
    # 1      A      B     2
    # 2      A      C     3
    # 3      B      C     3

【讨论】：

【解决方案5】：

另一个解决方案（基础 R）：

tmp <- split(DT, DT[, 'Group'])
ans <- apply(combn(LETTERS[1 : 3], 2), 2, FUN = function(ind){
            out <- length(intersect(tmp[[ind[1]]][, 1], tmp[[ind[2]]][, 1]))
            c(group1 = ind[1], group2 = ind[2], sum_ = out) 
                }
            )

data.frame(t(ans))

#  group1 group2 sum_
#1      A      B    2
#2      A      C    3
#3      B      C    3

首先将数据拆分为组列表，然后使用length(intersect(...为两组的每个唯一配对组合查看他们有多少共同主题。

【讨论】：