R中具有重叠计数的编码矩阵

Question

我精通 Python，但在 R 方面完全是新手。我无法在网上其他地方找到这个问题的答案，虽然它会有点冗长，但我希望它对其他用户有用R 库RQDA.

本质上，RQDA 是一种定性研究工具，主要用于将代码（主题）分配给文本文件。这有点像荧光笔，它会计算它突出显示的位置。

如果你放入很多文件，你可以在不同的地方用不同的主题对文本进行编码（例如，一个关于采访在布料制造业工作的人的项目可能是“设备”、“缝纫”、“亚麻”、“丝绸” 、“照明”、“午休”等）。这使您可以计算使用了多少次不同的代码，并且在 RQDA 中它给出了如下表格输出：

rowid   cid fid codenamefilename    index1  index2  CodingLength
1   1   12  1   silk    2010-01-28  409     939     530
2   2   21  1   cotton  2010-01-28  1008    1172    164
3   3   12  1   silk    2010-01-28  1173    1924    751
4   4   39  1   sewing  2010-01-28  1008    1250    751
5   5   38  1   weaving 2010-01-28  1173    1924    751
6   6   78  1   costs   2010-01-28  727     939     212
7   7   23  1   lunch   2010-01-28  1553    1788    235
8   9   7   2   lunch   2010-01-29  1001    1230    371
9   10  4   2   weaving 2010-01-29  1547    1724    135
10  11  6   2   social  2010-01-29  1001    1290    350
11  12  7   2   silk    2010-01-29  1926    2276    350
12  14  17  2   supply  2010-01-29  1926    2276    350
13  15  78  2   costs   2010-01-29  1926    2276    350
14  17  78  2   weaving 2010-01-29  1890    2106    212

codename = 给定文本的代码（主题）

文件名 = 文本的文件名（在本例中为日记条目的日期）

index1 = 文件中代码开始的字符位置（突出显示的文本）

index2 = 文件中代码结束的字符位置（突出显示的文本）

CodingLength = 编码/突出显示文本的总长度

我想做的是用代码的总列表（上表中的代号，大约 100 个唯一代码）遍历整个表（大约 1,500 行），以输出 2 路矩阵代码之间的重叠，例如（仅供参考，有 5 个代码）：

    silk    cotton  sewing  weaving lunch breaks    socialising
silk    *     0      0       3       2              0
cotton  0     *      5       0       0              0
sewing  0     5      *       0       0              0
weaving 3     0      0       *       0              0
lunchs  2     0      0       0       *              5
socialg 0     0      0       0       5              *

（代码在这个输出上有点乱，但希望你明白）

因此，在 R 中，我需要一些代码来遍历代码列表并计算 A) 文件名相同且 B) 在 index1 和 index2 之间的范围内重叠的实例数（CodingLength 可能并不重要)。

除了以下模糊的预感之外，我不知道究竟如何做到这一点：

1. 我可能需要将表格指定为变量，例如：

   coding_table

2. 我可能需要列出唯一变量，例如：

   x = c("丝绸","棉花","织布","缝纫","午餐" ...等)

3. 我需要一个执行检查的函数

4. 我需要一个用于行的 for 循环
5. 我需要一个布尔测试来检查范围和文件名，例如任何（409:939 %in% 727:939）&& 文件名 == 文件名

基于此，任何人都可以找到一种方法来产生一个非常简短的解决方案吗？我觉得 python 中的等效项最多为 10 行，但考虑到 R 中所需的额外位，我完全不知道如何做到这一点。

Answer 1

您可以使用data.table 包中的foverlap 函数来创建边缘列表，然后将其转换为加权邻接矩阵。 （见here）。

使用data.table、dplyr 和igraph 的组合，我认为这可以得到你想要的（虽然没有数据无法验证）。

首先，您将数据框设置为数据表，并为 index1 和 index2 设置键。然后，foverlap 标识 index1 和 index2 有任何重叠的条目。消除自重叠后，将 foverlaps 生成的 id 替换为数据集中对应的代号。这将创建一个边缘列表。将此边缘列表传递给 igraph 以创建 igraph 对象并将其作为邻接矩阵返回。

require(igraph); require(data.table); require(dplyr)

el <- setkey(setDT(coding_table), filename, index1, index2) %>%
  foverlaps(., ., type="any", which=TRUE) %>%
  .[coding_table$codename[xid] != coding_table$codename[yid]] %>%
  .[, `:=`(xid = coding_table$codename[xid], yid = coding_table$codename[yid])]

m <- as.matrix(get.adjacency(graph.data.frame(el)))

当然，dplyr 是完全可选的；管道只是让它更整洁，并避免在环境中创建更多对象。

Answer 2

另一种方法似乎有效，据我了解您的描述。

使用“IRanges”包查找重叠：

fo = findOverlaps(IRanges(dat$index1, dat$index2))

检查重叠的范围是否属于同一个“文件名”：

i = dat$filename[queryHits(fo)] == dat$filename[subjectHits(fo)]

并且，将属于同一“文件名”的重叠“index1”和“index2”的“代号”制成表格：

table(dat$codename[queryHits(fo)[i]], dat$codename[subjectHits(fo)[i]])
#       
#          costs cotton lunch sewing silk social supply weaving
#  costs       2      0     0      0    2      0      1       1
#  cotton      0      1     0      1    0      0      0       0
#  lunch       0      0     2      0    1      1      0       1
#  sewing      0      1     0      1    1      0      0       1
#  silk        2      0     1      1    3      0      1       2
#  social      0      0     1      0    0      1      0       0
#  supply      1      0     0      0    1      0      1       1
#  weaving     1      0     1      1    2      0      1       3