如何基于条约文本相似度矩阵按国家计算平均相似度得分

嘿，我来帮你搞定这个按国家计算平均相似度的问题！你的核心困扰在于当前数据是按条约对记录的，每行绑定了两个国家，直接分组肯定行不通——得先把每个国家单独拆出来和对应的相似度关联上，之后就能轻松按国家统计了。

先把你提供的结构转成可运行的R数据框（我用tidyverse工具包，这是处理这类数据最方便的选择）：

library(tidyverse)

df <- structure(list(
  similarity = c(1, 1, 0.50311221359869, 0.50311221359869),
  number = c("PTA1", "PTA2", "PTA1", "PTA2"),
  pta = c("1003", "1003", "1012", "1003"),
  country1 = c("Brazil", "Brazil", "Ecuador", "Brazil"),
  country2 = c("Venezuela", "Venezuela", "El Salvador", "Venezuela"),
  name = c("Brazil Venezuela", "Brazil Venezuela", "Ecuador El Salvador", "Brazil Venezuela")
), row.names = c(NA, -4L), class = c("tbl_df", "tbl", "data.frame"))

用pivot_longer把country1和country2合并成一列，让每个国家都对应一条独立的相似度记录：

df_long <- df %>%
  pivot_longer(
    cols = starts_with("country"),  # 选中所有以country开头的列
    names_to = "country_role",      # 新增列标记是country1还是country2（可选，后续可删除）
    values_to = "country"           # 存储国家名称的新列
  ) %>%
  select(country, similarity)  # 只保留我们需要的核心列

这一步之后，原来的Brazil-Venezuela行会拆成两行：Brazil对应相似度1，Venezuela也对应相似度1，完美解决了一对二的关联问题。

现在就可以直接分组求平均了，还能顺便统计每个国家参与了多少条约记录：

country_avg <- df_long %>%
  group_by(country) %>%
  summarise(
    avg_similarity = mean(similarity, na.rm = TRUE),  # 计算平均相似度，自动忽略NA值
    total_records = n()  # 统计该国家参与的条约记录数
  ) %>%
  ungroup()  # 取消分组，变回普通数据框

运行print(country_avg)会得到：

# A tibble: 4 × 3
  country     avg_similarity total_records
  <chr>                <dbl>         <int>
1 Brazil               0.752             3
2 Ecuador              0.503             1
3 El Salvador          0.503             1
4 Venezuela            0.752             3

如果你的数据里有重复的条约对（比如同一个国家对出现多次），可以先去重再计算，避免重复统计：

# 先去重，保留每个唯一国家对的相似度
df_unique <- df %>%
  distinct(name, similarity, .keep_all = TRUE)

# 重复拆分和分组步骤
df_unique_long <- df_unique %>%
  pivot_longer(cols = starts_with("country"), values_to = "country") %>%
  select(country, similarity)

country_avg_unique <- df_unique_long %>%
  group_by(country) %>%
  summarise(avg_similarity = mean(similarity))

内容的提问来源于stack exchange，提问作者anatrik