如何基于两个分组变量的共享值生成唯一无重复配对？

我已经实现了单分组变量下获取对象唯一配对的功能，现在需要扩展到双分组变量的场景：只要两个对象共享任意一个分组变量的值，就需要生成配对，但必须保证配对完全唯一——既不能出现B-C和C-B这类镜像重复，也不能因为同一对对象匹配多个分组变量而重复生成。

示例输入数据（基因场景） #

df  = data.frame(scaffold = c("A", "A", "B", "B", "B", "C", "C", "D","A"), 
       geneID = c("162", "276", "64", "276", "281", "64", "162", "162","64"),
       Grouping2 = c("x1", "x2", "x3", "x1", "x2", "x3", "x1", "x2", "x3"),
       stringsAsFactors = F)

要求：以geneID和Grouping2为分组变量，生成scaffold的所有唯一配对。例如A和B同时匹配geneID=276和Grouping2=x1，但仅需保留一个A-B配对。

真实场景示例（人员关联场景） #

数据集包含25530个个体，每行对应一个个体，包含Household（家庭）和Work（工作单位）两个分组变量。需要找出所有唯一个体配对：只要两个个体属于同一家庭或同一工作单位，就生成配对，同时避免任何重复。

示例数据：

temp <- data.frame(Person = c("A", "B", "C", "D", "E", "F"),
               Household = c("123 Any Street", "123 Any Street", "123 Any Street", "4 Second Street", "5 Third Street",
                         "6 Last Street"),
               Work = c("One Company", "XYZ Tailoring", "XYZ Tailoring", "XYZ Tailoring", "XYZ Tailoring",
                        "XYZ Tailoring"))

期望输出：包含from和to列的数据框，共12个唯一配对，镜像对（如B-C与C-B）视为重复，仅保留一个。

解决方案代码（R语言） #

我们可以通过分别生成两个分组变量的配对→合并去重→过滤镜像对的步骤实现需求，这里使用dplyr和tidyr包处理：

library(dplyr)
library(tidyr)

# 定义生成单个分组变量配对的函数
generate_pairs <- function(data, group_col, target_col) {
  data %>%
    group_by({{group_col}}) %>%
    filter(n_distinct({{target_col}}) >= 2) %>%
    mutate(temp = list({{target_col}})) %>%
    unnest(temp) %>%
    filter({{target_col}} < temp) %>%
    select(from = {{target_col}}, to = temp) %>%
    distinct()
}

# 针对基因场景示例生成配对
gene_pairs <- generate_pairs(df, geneID, scaffold)
group2_pairs <- generate_pairs(df, Grouping2, scaffold)

final_scaffold_pairs <- bind_rows(gene_pairs, group2_pairs) %>%
  distinct()

# 针对人员场景示例生成配对
household_pairs <- generate_pairs(temp, Household, Person)
work_pairs <- generate_pairs(temp, Work, Person)

final_person_pairs <- bind_rows(household_pairs, work_pairs) %>%
  distinct()

# 查看人员场景的配对数量（应为12）
nrow(final_person_pairs)

代码说明 #

1. generate_pairs函数：针对单个分组变量，生成目标列的唯一配对，同时直接过滤掉镜像对（通过{{target_col}} < temp确保from始终小于to）。
2. 分别对两个分组变量调用函数生成配对，再用bind_rows合并。
3. 最后用distinct()去重，解决同一对对象因多个分组变量匹配导致的重复问题。

内容的提问来源于stack exchange，提问作者Michelle