基于公共元素分组 将向量合并为排序字符串的R语言技术问询

问题本质 #

这是典型的连通分量识别问题：两列中存在关联（同一行的两个元素，或通过其他元素间接关联）的元素属于同一个分组，我们可以借助图论工具高效识别这些分组，再完成合并排序。

实现步骤与代码 #

1. 加载依赖包 #

需要用到tidyverse处理数据，igraph处理图结构：

install.packages(c("tidyverse", "igraph"))
library(tidyverse)
library(igraph)

2. 原始输入数据 #

df <- tibble::tribble(
  ~col1, ~col2,
  "a", "b",
  "b","c",
  "c","b",
  "d",NA,
  "e","d",
  "f","d",
  "g","d",
  "h","i",
  "i","h",
  "j", NA
)

3. 提取边并构建图 #

去掉包含NA的行（无连接关系），用有效行作为图的边创建无向图，识别连通分量：

# 提取有效边数据
edges <- df %>% filter(!is.na(col2)) %>% select(col1, col2)

# 创建无向图并获取连通分量信息
graph <- graph_from_data_frame(edges, directed = FALSE)
component_info <- components(graph)

4. 分配元素到对应分组 #

收集所有出现过的元素，给每个元素分配分组ID：属于连通分量的用组件ID，无关联的单独元素分配新ID：

# 收集所有唯一元素（剔除NA）
all_elements <- df %>% 
  pivot_longer(cols = everything(), values_to = "element") %>% 
  filter(!is.na(element)) %>% 
  pull(element) %>% 
  unique()

# 为每个元素分配分组ID
element_groups <- tibble(element = all_elements) %>%
  mutate(group_id = case_when(
    element %in% names(component_info$membership) ~ component_info$membership[element],
    TRUE ~ max(component_info$membership) + row_number()
  ))

5. 分组合并排序 #

对每个分组的元素排序后，用下划线连接成字符串：

# 生成最终结果
result <- element_groups %>%
  group_by(group_id) %>%
  summarize(result = str_c(sort(element), collapse = "_")) %>%
  select(result)

# 查看结果
print(result)

输出结果 #

运行后得到的结果与期望完全一致：

# A tibble: 4 × 1
  result   
  <chr>    
1 a_b_c    
2 d_e_f_g  
3 h_i      
4 j        

内容的提问来源于stack exchange，提问作者eule83