如何识别每个簇内的序列？答案

【问题标题】：How to identify sequences within each cluster?如何识别每个簇内的序列？
【发布时间】：2014-01-24 21:22:34
【问题描述】：

使用 TraMineR 中的 biofam 数据集：

library(TraMineR)
data(biofam)
lab <- c("P","L","M","LM","C","LC","LMC","D")
biofam.seq <- seqdef(biofam[,10:25], states=lab)
head(biofam.seq)
     Sequence                                    
1167 P-P-P-P-P-P-P-P-P-LM-LMC-LMC-LMC-LMC-LMC-LMC
514  P-L-L-L-L-L-L-L-L-L-L-LM-LMC-LMC-LMC-LMC    
1013 P-P-P-P-P-P-P-L-L-L-L-L-LM-LMC-LMC-LMC      
275  P-P-P-P-P-L-L-L-L-L-L-L-L-L-L-L             
2580 P-P-P-P-P-L-L-L-L-L-L-L-L-LMC-LMC-LMC       
773  P-P-P-P-P-P-P-P-P-P-P-P-P-P-P-P

我可以进行聚类分析：

library(cluster)
couts <- seqsubm(biofam.seq, method = "TRATE")
biofam.om <- seqdist(biofam.seq, method = "OM", indel = 3, sm = couts)
clusterward <- agnes(biofam.om, diss = TRUE, method = "ward")
cluster3 <- cutree(clusterward, k = 3)
cluster3 <- factor(cluster3, labels = c("Type 1", "Type 2", "Type 3"))

但是，在这个过程中，来自 biofam.seq 的唯一 ID 已被替换为从 1 到 N 的数字列表：

head(cluster3, 10)
[1] Type 1 Type 2 Type 2 Type 2 Type 2 Type 3 Type 3 Type 2 Type 1
[10] Type 2
Levels: Type 1 Type 2 Type 3

现在，我想知道每个簇内有哪些序列，以便我可以应用其他函数来获得每个簇内的平均长度、熵、子序列、相异度等。我需要做的是：

将旧 ID 映射到新 ID
将每个簇中的序列插入到单独的序列对象中
对每个新序列对象运行我想要的统计数据

我怎样才能完成上面列表中的 2 和 3？

【问题讨论】：

我想帮忙，但我无法运行您的示例：biofam.seq 来自哪里？
它加载了TraMineR:mephisto.unige.ch/traminer/doc/biofam.html，如果它没有自动加载，你应该可以在运行biofam.seq <- seqdef(biofam)之后使用biofam.seq <- seqdef(biofam)来完成data(biofam)
biofam 数据还包含协变量。因此，在seqdef 中，您应该指定我们找到序列数据的列，即seqdef(biofam[10:25,])。我已经相应地编辑了问题。

标签： r cluster-analysis data-manipulation traminer

【解决方案1】：

例如，第一个集群的状态序列对象，可以简单地获得

bio1.seq <- biofam.seq[cluster3=="Type 1",]
summary(bio1.seq)

【讨论】：

【解决方案2】：

我认为这将回答您的问题。我使用我在这里找到的代码http://www.bristol.ac.uk/cmm/software/support/workshops/materials/solutions-to-r.pdf 来创建biofam.seq，因为你的建议都不适合我。

# create data
library(TraMineR)
data(biofam)
bf.states  <- c("Parent", "Left", "Married", "Left/Married", "Child",
                "Left/Child", "Left/Married/Child", "Divorced")
bf.shortlab <- c("P","L","M","LM","C","LC", "LMC", "D")
biofam.seq  <- seqdef(biofam[, 10:25], states = bf.shortlab,
                                       labels = bf.states)

# cluster
library(cluster)
couts <- seqsubm(biofam.seq, method = "TRATE")
biofam.om <- seqdist(biofam.seq, method = "OM", indel = 3, sm = couts)
clusterward <- agnes(biofam.om, diss = TRUE, method = "ward")
cluster3 <- cutree(clusterward, k = 3)
cluster3 <- factor(cluster3, labels = c("Type 1", "Type 2", "Type 3"))

首先，我使用split 为每个集群创建一个索引列表，然后在lapply 循环中使用它从biofam.seq 创建一个子序列列表：

# create a list of sequences
idx.list <- split(seq_len(nrow(biofam)), cluster3)
seq.list <- lapply(idx.list, function(idx)biofam.seq[idx, ])

最后，您可以使用lapply 或sapply 对每个子序列运行分析

# compute statistics on each sub-sequence (just an example)
cluster.sizes <- sapply(seq.list, FUN = nrow)

其中FUN 可以是您通常在单个序列上运行的任何函数。

【讨论】：

@histelheim，如果我已经回答了您的问题，请考虑接受。谢谢。