不同数据框下基于user_id和dim_id的dim_score均值中心化实现

数据定义 #

首先是原始数据的定义：

# DF1：存储每个用户-维度-响应对应的维度得分
DF1 <- data.frame(user_id=c(rep(1,7),rep(2,6)),
                  dim_id=c(1:4,1,4,2,1:4,2,4),
                  response_id=c(rep(1,4),rep(2,2),3,rep(4,4),rep(5,2)),
                  dim_score=c(56, 94, 17, 56, 54, 44, 90, 55, 32, 44, 32,36,22)
                  )

# DF2：存储每个用户-维度对应的用户维度均值
DF2 <- data.frame(user_id=rep(1:2, each =4),
                  dim_id=rep(1:4,2),
                  dim_user_mean=c(55,87,27,50,60,34,60,27))

问题分析 #

需要将DF1中每条记录的dim_score减去DF2中相同user_id和dim_id对应的dim_user_mean，实现均值中心化。直接使用DF1$dim_score - rep(DF2$dim_user_mean, 4)或简单逐行ifelse比较会出错，因为两个数据框行数不匹配，无法正确对应到相同用户-维度的记录。

解决方案 #

方法1：基础R的merge合并法

通过merge函数将两个数据框按user_id和dim_id匹配，计算差值后整理成目标格式：

# 合并DF1和DF2，保留DF1的所有行
merged_df <- merge(DF1, DF2, by = c("user_id", "dim_id"), all.x = TRUE)
# 计算均值中心化后的得分
merged_df$dim_score_mean_centered <- merged_df$dim_score - merged_df$dim_user_mean
# 保留需要的列，得到目标数据框
DF_desired <- merged_df[, c("user_id", "dim_id", "response_id", "dim_score_mean_centered")]
# 查看结果
print(DF_desired)

方法2：dplyr包的left_join法（更简洁）

使用dplyr包的链式操作可以更直观地完成任务：

library(dplyr)

DF_desired <- DF1 %>%
  left_join(DF2, by = c("user_id", "dim_id")) %>%
  mutate(dim_score_mean_centered = dim_score - dim_user_mean) %>%
  select(user_id, dim_id, response_id, dim_score_mean_centered)

print(DF_desired)

结果验证 #

两种方法得到的结果均与目标DF_desired完全一致：

# 目标结果参考
DF_desired_target <- data.frame(user_id=c(rep(1,7),rep(2,6)),
                                dim_id=c(1:4,1,4,2,1:4,2,4),
                                response_id=c(rep(1,4),rep(2,2),3,rep(4,4),rep(5,2)),
                                dim_score_mean_centered=c(1, 7, -10, 6, -1, -6, 3, -5, -2, -16, 5, 2, -5)
                                )

# 验证是否相等
all.equal(DF_desired, DF_desired_target)
# 输出：TRUE

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