独特的组合频率答案

【问题标题】：Unique Combination Frequency独特的组合频率
【发布时间】：2011-06-10 15:20:48
【问题描述】：

我有一个包含 10 列的数据集。第一列是唯一标识符。其他 9 列是相关属性。现在，我们只说它们是整数。如果需要，可以轻松地将数据转换为键值。

例如：

id|attr1|attr2|attr3|...
a |  2  |  5  |  7  |...
b |  3  |  1  |null |...
c |  2  |null |null |...
d |  1  |  2  |  5  |...
e |  2  |  1  |  3  |...

我本质上是在寻找任何长度与至少一对的最常见组合。所以我的输出是：

unq   | frequency
1,2   | 2
1,3   | 2
1,5   | 1
2,3   | 1
2,5   | 2
2,7   | 1
1,2,3 | 1
1,2,5 | 1
2,5,7 | 1

（手动完成 - 所以希望没有错误） - 配对的顺序无关紧要。 2,5,7 = 5,2,7 = 7,5,2 etc.

有什么想法吗？我对不同的工具持开放态度。我可以访问 R、excel、sql server、mysql 等。

Excel 是首选但不是必需的！

【问题讨论】：

有多少个属性，一个属性的取值范围是多少？幼稚的算法可能无法扩展，我不知道是否有任何易于处理的算法（但我不是这方面的专家）
你能解释一下你是如何从你的数据集中得到答案的吗？我正在努力理解“任何长度的最常见组合至少有一对”。
得到了一些更好的信息。它可以有 1 到 9 个属性。 @Richie - 基本上对于 D 行 - 以下是该行的所有唯一组合（分号分隔）：1 2 5 1,2 1,5 2,5 1,2,5 所以唯一符合“至少一对”的条件是1,2 1,5 2,5 1,2,5 这有帮助吗？如果没有，请随时再次询问。我想明确回答。

标签： sql excel r

【解决方案1】：

这是 R 中的一个解决方案：

重新创建数据

x <- data.frame(
    id = letters[1:5],
    attr1 = c(2,3,2,1,2),
    attr2 = c(5,1,NA,2,1),
    attr3 = c(7,NA,NA,5,3))
x

  id attr1 attr2 attr3
1  a     2     5     7
2  b     3     1    NA
3  c     2    NA    NA
4  d     1     2     5
5  e     2     1     3

创建一个函数来列出所有的组合

make_combinations <- function(data, size){
  t1 <- apply(data[, -1], 1, function(data)unname(sort(data)))
  t2 <- lapply(t1, function(xt){if(length(xt)>=size){combn(xt, size)}})
  t3 <- sapply(t2[!is.na(t2)], 
      function(chunk){if(!is.null(chunk))apply(chunk, 2, function(x)paste(x, collapse=","))})
  t4 <- unlist(t3)
  t4
}

创建第二个函数来计算组合

count_combinations <- function(data, nn=2:3){
  tmp <- unlist(lapply(nn, function(n)make_combinations(data, n)))
  sort(table(tmp), decreasing=TRUE)
}

结果：

count_combinations(x, 2:3)


  1,2   1,3   2,5 1,2,3 1,2,5   1,5   2,3 2,5,7   2,7   5,7 
    2     2     2     1     1     1     1     1     1     1

【讨论】：

我收到了Error in apply(x[, -1], 1, function(data) unname(sort(data))) : object 'x' not found 我对 R 非常陌生，所以也许我做错了什么？
不，我的错。我已经编辑了这个问题。还有一个x 潜伏在应该引用data 的函数中。请重试。
是的，很抱歉。但现在是星期五晚上。我应该做真正的工作，我需要花一些时间陪我的另一半。要进行逆向工程，我建议您在代码中包含打印语句以打印 t1、t2、t3 和 t4。这应该可以相当清楚地说明工作中发生的事情。
老兄你摇滚 - 这完全有效。第一次使用 R，我印象深刻。如果你或其他人能告诉我如何将这个输出转换成一个两列的表格，那就太棒了，但这太棒了！
以防万一其他人通过搜索出现，我跳过了上面的第一部分，创建了两个函数（只是复制/粘贴），导入了我的 csv rawsku <- read.table("rawsku.csv",header=T,sep=",")，确保它看起来正确 @987654329 @; head(rawsku) 然后运行 rawsku_results <- count_combinations(rawsku,2:9) 2:9 查找 2 和 9 之间的分组，然后将其写入 csv：write.csv(rawsku_results,file="rawsku_results.csv")

【解决方案2】：

这是您的数据，没有 id 列。

dfr <- data.frame(
  attr1 = c(2,3,2,1,2), 
  attr2 = c(5,1,NA,2,1), 
  attr3 = c(7,NA,NA,5,3)
)

这会检索所有组合，但输出表单需要一些导航。

lapply(
  seq_len(nrow(dfr)),              #loop over rows
  function(row) 
  {
    lapply(
      seq_along(dfr)[-1],          #loop over lengths of combination, -1 is to ignore singletons
      function(m) 
      {
        combn(dfr[row, ], m)
      }
    )
  }
)

【讨论】：