在 R 中识别重复/独特的团队（和重组数据）答案

【问题标题】：Identifying Duplicate/Unique Teams (and Restructuring Data) in R在 R 中识别重复/独特的团队（和重组数据）
【发布时间】：2015-01-05 21:52:01
【问题描述】：

我有一个如下所示的数据集：

 Person Team
   1     30
   2     30
   3     30
   4     30
   11    40
   22    40
   1     50
   2     50
   3     50
   4     50
   15    60
   16    60
   17    60
   1     70
   2     70
   3     70
   4     70
   11    80
   22    80

我的总体目标是组织该团队标识代码，以便轻松查看哪些团队是彼此重复的，哪些团队是独一无二的。我想总结一下数据，使其看起来像这样：

 Team   Duplicate1  Duplicate2
  30        50          70
  40        80  
  60

如您所见，团队 30、50 和 70 的成员相同，因此他们共享一行。同样，团队 40 和 80 具有相同的成员，因此他们共享一行。只有 60 队（在本例中）是唯一的。

在团队重复的情况下，我不在乎哪个团队 id 在哪个列中。此外，一个团队可能有 2 个以上的重复。团队规模从 2 人到 8 人不等。

【问题讨论】：

标签： r

【解决方案1】：

这个答案给出了您要求的输出数据格式。我将重复的团队留在一个变量中，因为我认为这是处理任意数量的重复项的更好方法。

require(dplyr)

df %>%
  arrange(Team, Person) %>%   # this line is necessary in case the rest of your data isn't sorted
  group_by(Team) %>%
  summarize(players = paste0(Person, collapse = ",")) %>%
  group_by(players) %>%
  summarize(teams = paste0(Team, collapse = ",")) %>%
  mutate(
    original_team = ifelse(grepl(",", teams), substr(teams, 1, gregexpr(",", teams)[[1]][1]-1), teams),
    dup_teams = ifelse(grepl(",", teams), substr(teams, gregexpr(",", teams)[[1]][1]+1, nchar(teams)), NA)
  )

结果：

Source: local data frame [3 x 4]

   players    teams original_team dup_teams
1  1,2,3,4 30,50,70            30     50,70
2    11,22    40,80            40        80
3 15,16,17       60            60        NA

【讨论】：

请先进行排序！我也在将其编辑到我的答案中。

【解决方案2】：

不完全是您想要的格式，但非常有用：

# using MrFlick's data
library(dplyr)
dd %>% group_by(Team) %>%
    arrange(Person) %>%
    summarize(team.char = paste(Person, collapse = "_")) %>%
    group_by(team.char) %>%
    arrange(team.char, Team) %>%
    mutate(duplicate = 1:n())

Source: local data frame [6 x 3]
Groups: team.char

  Team team.char duplicate
1   40     11_22         1
2   80     11_22         2
3   60  15_16_17         1
4   30   1_2_3_4         1
5   50   1_2_3_4         2
6   70   1_2_3_4         3

（在arrange(Person) 行中编辑，以防数据尚未排序，从@Reed 的回答中得到这个想法。）

【讨论】：

【解决方案3】：

将其用于您的示例数据

dd<-structure(list(Person = c(1L, 2L, 3L, 4L, 11L, 22L, 1L, 2L, 3L, 
4L, 15L, 16L, 17L, 1L, 2L, 3L, 4L, 11L, 22L), Team = c(30L, 30L, 
30L, 30L, 40L, 40L, 50L, 50L, 50L, 50L, 60L, 60L, 60L, 70L, 70L, 
70L, 70L, 80L, 80L)), .Names = c("Person", "Team"), 
class = "data.frame", row.names = c(NA, -19L))

您可以尝试使用 table()/interaction() 来查找重复的组。例如

tt <- with(dd, table(Team, Person))
grp <- do.call("interaction", c(data.frame(unclass(tt)), drop=TRUE))
split(rownames(tt), grp)

返回

$`1.1.1.1.0.0.0.0.0`
[1] "30" "50" "70"

$`0.0.0.0.0.1.1.1.0`
[1] "60"

$`0.0.0.0.1.0.0.0.1`
[1] "40" "80"

所以组“名称”实际上只是每个人的成员身份的指标。如果您愿意，可以使用setNames() 轻松重命名它们。但在这里它会瓦解适当的团队。

【讨论】：

【解决方案4】：

另外两个基本 R 选项（虽然不完全是所需的输出）：

DF2 <- aggregate(Person ~ Team, DF, toString)
> split(DF2$Team, DF2$Person)
$`1, 2, 3, 4`
[1] 30 50 70

$`11, 22`
[1] 40 80

$`15, 16, 17`
[1] 60

或者

( DF2$DupeGroup <- as.integer(factor(DF2$Person)) )
  Team     Person DupeGroup
1   30 1, 2, 3, 4         1
2   40     11, 22         2
3   50 1, 2, 3, 4         1
4   60 15, 16, 17         3
5   70 1, 2, 3, 4         1
6   80     11, 22         2

请注意，问题中显示的预期输出需要在某些列条目中添加 NA 或空字符串，因为在 data.frame 中，所有列必须具有相同的行数。正如您在一些答案中看到的那样，列表中的情况有所不同。

第二个选项，但使用 data.table，因为 aggregate 对于大数据往往很慢：

library(data.table)
setDT(DF)[, toString(Person), by=Team][,DupeGroup := .GRP, by=V1][]
   Team         V1 DupeGroup
1:   30 1, 2, 3, 4         1
2:   40     11, 22         2
3:   50 1, 2, 3, 4         1
4:   60 15, 16, 17         3
5:   70 1, 2, 3, 4         1
6:   80     11, 22         2

【讨论】：

【解决方案5】：

使用mgcv 包中的uniquecombs：

library(mgcv)
library(magrittr) # for the pipe %>%

# Using MrFlick's data
team_names <- sort(unique(dd$Team))
unique_teams <- with(dd, table(Team, Person)) %>% uniquecombs %>% attr("index")
printout <- unstack(data.frame(team_names, unique_teams))

> printout
$`1`
[1] 60

$`2`
[1] 40 80

$`3`
[1] 30 50 70

现在您可以使用 this answer 之类的东西以表格形式打印它（请注意，这些组是按列排列的，而不是像您的问题那样按行排列）：

attributes(printout) <- list(names = names(printout)
                             , row.names = 1:max(sapply(printout, length))
                             , class = "data.frame")
> printout
     1    2  3
1   60   40 30
2 <NA>   80 50
3 <NA> <NA> 70
Warning message:
In format.data.frame(x, digits = digits, na.encode = FALSE) :
  corrupt data frame: columns will be truncated or padded with NAs

【讨论】：