根据第二列计算一列元素之间的共现，仅在第三列不相等时才计数

如何解决根据第二列计算一列元素之间的共现，仅在第三列不相等时才计数

我想计算数据框 c 中列 df 中唯一元素的每个成对组合在列 a 的元素上共同出现的频率，但是加上 co -occurrences 仅在列 b 中的相应值不相等时才计算，即以列 b

中的不匹配为条件

a <- c(1,1,2,3,4,4)
b <- c(1,4)
c <- c(1,1) 

df <- as.data.frame(cbind(a,b,c))

在不考虑列 b 的情况下，我可以执行以下操作来为列 c 的每一对元素保留它们共同出现的 a 元素数量

df <- unique(df[,c(1,3)])
df <- merge(df,df,by = "a")
df$count <- 1

df <- aggregate(count ~ .,df[,c(2:4)],sum)
df <- df[df$c.x != df$c.y,]

在 b 中添加不匹配的附加条件，只有一个区别：列 c 的元素 2 和 4 都同时出现在列 a 的元素 4 上，但在 b 中具有相同的值，因此不应算作结尾：

c.x <- c(2,1)
c.y <- c(1,4)
count <- c(4,1)

result <- as.data.frame(cbind(c.x,c.y,count))

由于原始数据集很大（> 1,000,000 个观察值），我欢迎快速解决方案，即不使用循环或合并。通常，我使用 sparseMatrix()

从三列数据框创建共现矩阵

解决方法

根据您的描述，我不确定这是否是您的想法，也不知道结果会有多快，但这里有一种使用 purrr 的方法：

library(purrr)

split(df,c) %>%
  combn(2,simplify = F) %>%
  set_names(map(.,~ paste(names(.x),collapse = "_"))) %>%
  map_int(~ merge(.x[[1]],.x[[2]],by = NULL) %>%
            dplyr::filter(a.x == a.y && b.x != b.y) %>%
            nrow())

返回：

1_2 1_3 1_4 2_3 2_4 3_4 
  0  27   0  21   0   0 

# Data used:
df <- structure(list(a = c(1,1,2,3,4,4),b = c(1,c = c(1,1)),class = "data.frame",row.names = c(NA,-20L))

,

我们可以使用

crossprod(table(df[c(1,3)]))