如何用Tidyverse或Base R高效获取主题数据的最顶层祖先ID？

Rebrickable的主题数据集包含主题ID、名称及父主题ID，存在多层递归层级（主题可能有祖父、曾祖父等）。示例数据如下：

themes <- data.frame(theme_id = c(206, 207, 208), 
                     theme_name = c("Seasonal", "Advent", "City"), 
                     parent_theme_id = c(NA, 206, 207))

你已实现了逐行循环的Base R代码来追溯每个主题的顶层祖先ID，以下是更优雅的无逐行循环实现方案：

Tidyverse 方案 #

借助purrr的递归映射函数结合dplyr，批量生成顶层祖先列：

library(tidyverse)

# 定义递归函数，追溯到顶层祖先ID
get_top_ancestor <- function(id, df) {
  parent <- df$parent_theme_id[df$theme_id == id]
  if (is.na(parent)) {
    return(id)
  } else {
    get_top_ancestor(parent, df)
  }
}

# 为数据框添加顶层祖先列
themes <- themes %>%
  mutate(ancestor_theme_id = map_dbl(theme_id, get_top_ancestor, df = themes))

Base R 优化方案 #

用lapply/sapply结合递归函数，替代显式逐行循环：

# 定义递归函数
get_top_ancestor_base <- function(id, df) {
  parent <- df$parent_theme_id[df$theme_id == id]
  if (is.na(parent)) id else get_top_ancestor_base(parent, df)
}

# 生成顶层ID向量并添加到数据框
themes$ancestor_theme_id <- sapply(themes$theme_id, get_top_ancestor_base, df = themes)

大规模数据集优化方案 #

如果数据集包含大量主题，可借助igraph通过图论方法快速获取根节点：

library(igraph)

# 将主题关系转为有向图
g <- graph_from_data_frame(themes[, c("theme_id", "parent_theme_id")], directed = TRUE)
# 提取每个节点的顶层祖先
themes$ancestor_theme_id <- map_dbl(themes$theme_id, ~ subcomponent(g, ._, mode = "in") %>% 
                                      names() %>% 
                                      as.numeric() %>% 
                                      .[is.na(themes$parent_theme_id[themes$theme_id == .])])

内容的提问来源于stack exchange，提问作者qwr