R语言变量关联：查找共性var2值及各var2的var1归属分布

原始数据框 #

df <- data.frame(
    var1 = c("red", "red", "blue", "blue", "green", "green"),
    var2 = c("canada", "usa", "usa", "canada", "canada", "france")
)

需求说明 #

1. 找出被var1所有类别共同包含的var2值
2. 统计每个var2值对应的var1类别集合（格式示例：canada 存在于red、blue、green中）

现有实现方法 #

方法一（基础R） #

var1_categories <- unique(df$var1)
common_var2 <- lapply(var1_categories, function(cat) unique(df$var2[df$var1 == cat]))
names(common_var2) <- var1_categories

shared_var2 <- Reduce(intersect, common_var2)

result_df <- data.frame(var2 = shared_var2)

方法二（tidyverse） #

library(dplyr)

result <- df %>%
    group_by(var2) %>%
    summarize(var1_categories = list(unique(var1))) %>%
    mutate(category_count = sapply(var1_categories, length)) %>%
    mutate(var1_categories = sapply(var1_categories, paste, collapse = ", ")) %>%
    arrange(desc(category_count))

更优实现方案 #

可以将两个需求整合到同一流程中，减少重复计算，同时让代码更简洁高效：

整合版（tidyverse） #

library(dplyr)

# 先完成var2对应var1集合的统计，同时计算覆盖的类别数
var2_summary <- df %>%
    distinct(var1, var2) %>%  # 去重避免重复统计同一(var1,var2)组合
    group_by(var2) %>%
    summarize(
        var1_set = list(var1),
        var1_count = n(),
        var1_text = paste(sort(var1), collapse = "、")  # 排序后输出更整齐
    ) %>%
    ungroup()

# 需求1：筛选被所有var1类别包含的var2
total_var1_types <- n_distinct(df$var1)
common_var2 <- var2_summary %>%
    filter(var1_count == total_var1_types) %>%
    pull(var2)

# 需求2：生成格式化的类别说明
var2_summary %>%
    mutate(description = case_when(
        var1_count == 1 ~ paste(var2, "仅存在于", var1_text, "中"),
        var1_count == total_var1_types ~ paste(var2, "存在于所有var1类别（", var1_text, "）中"),
        TRUE ~ paste(var2, "存在于", var1_text, "中")
    )) %>%
    select(var2, description)

基础R简洁版 #

如果依赖基础R环境，可以用更简洁的写法实现：

# 提取唯一的(var1,var2)组合
unique_pairs <- unique(df)

# 按var2分组整理对应的var1集合
var2_groups <- split(unique_pairs$var1, unique_pairs$var2)

# 需求1：找出被所有var1类别包含的var2
total_var1 <- length(unique(df$var1))
common_var2 <- names(Filter(function(x) length(x) == total_var1, var2_groups))

# 需求2：生成格式化说明文本
var2_descriptions <- lapply(names(var2_groups), function(v) {
    cats <- var2_groups[[v]]
    cat_str <- paste(sort(cats), collapse = "、")
    if (length(cats) == 1) {
        paste(v, "仅存在于", cat_str, "中")
    } else if (length(cats) == total_var1) {
        paste(v, "存在于所有var1类别（", cat_str, "）中")
    } else {
        paste(v, "存在于", cat_str, "中")
    }
})

# 输出结果
cat(paste("-", unlist(var2_descriptions), collapse = "\n"), "\n")

优化点说明 #

1. 先对(var1,var2)组合去重，避免后续重复统计，提升计算效率
2. 整合两个需求的计算流程，减少对数据的重复遍历
3. 对var1类别排序后拼接，输出结果更规整易读
4. 基础R版本用split+Filter替代循环，代码更简洁

内容的提问来源于stack exchange，提问作者wulasa