如何判断数据框同组内是否存在互为同义词的物种

示例数据 #

首先定义可复现的输入数据框：

df <- data.frame(
  species = c("Species X","Species A", "Species Z", "Species A", "Species B", "Species C", "Species C", "Species D", "Species D", "Species A", "Species B", "Species E","Species Y","Species W","Species R"),
  synonyms = c("Species Y","Species B", "no_synonym", "Species B", "Species A", "Species E", "Species E", "no_synonym", "no_synonym", "Species B", "Species A", "Species C","Species X","Species R","Species W"),
  groups = c("G1","G1", "G1", "G1", "G1", "G2", "G2", "G3", "G3", "G1", "G4", "G5","G6","G7","G8")
)

需求说明 #

新增列at_least_two_synonyms_in_group，规则为：

• 标记为yes：当前行的物种所在分组中，存在与它互为同义词的另一物种（即A的同义词是B，且B的同义词是A，且A、B都在同一分组内）
• 标记为no：其他情况（无同义词、同义词不在同组、仅单向同义词匹配等）

原代码问题 #

原代码的核心问题是给整个分组统一标记，没有区分组内不同物种的匹配情况，导致像G1组的Species X、Species Z这类不符合条件的物种也被错误标记。

修正后的代码 #

library(dplyr)

df <- df %>%
  group_by(groups) %>%
  mutate(
    # 获取当前组内的所有唯一物种集合
    group_species = list(unique(species)),
    # 构建组内有效同义词对（排除no_synonym）
    synonym_pairs = list(filter(cur_data(), synonyms != "no_synonym") %>% select(species, synonyms)),
    # 判断当前物种是否属于组内双向同义词对
    is_mutual_synonym = case_when(
      synonyms == "no_synonym" ~ FALSE,
      # 先检查同义词在组内，再验证该同义词的同义词包含当前物种
      synonyms %in% unlist(group_species) ~ 
        any(filter(unlist(synonym_pairs, recursive = FALSE), species == synonyms)$synonyms == species),
      TRUE ~ FALSE
    ),
    # 生成最终标记列
    at_least_two_synonyms_in_group = ifelse(is_mutual_synonym, "yes", "no")
  ) %>%
  # 清理中间辅助列
  select(-group_species, -synonym_pairs, -is_mutual_synonym) %>%
  ungroup()

代码逻辑说明 #

1. 按分组聚合后，先获取当前组内的所有唯一物种集合，用于快速判断同义词是否在组内
2. 构建组内的有效同义词对（排除no_synonym），用于双向匹配验证
3. 逐行判断：
   • 若同义词为no_synonym，直接判定为不符合条件
   • 否则先确认同义词在当前组的物种中，再验证该同义词的同义词列表里包含当前物种（确保双向互为同义词）
4. 根据判断结果生成"yes"/"no"标记，并清理中间辅助列

运行后即可得到符合预期的输出结果。

内容的提问来源于stack exchange，提问作者tadeufontes