如何为R语言数据集添加基于数值相似度的邻近实体列？

需求说明 #

我有一组带对应数值的实体列表，需要为每个实体找出列表中数值绝对值差最小的邻近实体。

玩具示例 #

输入数据：

Lab    Val
A      0.4
B      0.1  
C      0.2

处理后输出：

Lab    Val    Neigh
A      0.4    C
B      0.1    C
C      0.2    B

实际场景背景 #

以eurodist数据集为例，已完成如下预处理：

data(eurodist)
labs <- labels(eurodist)
splt <- split(eurodist, labs)
splt_mean <- lapply(splt, mean)
x <- as.data.frame(splt_mean)
x <- transpose(x)
colnames(x) <- "Mean"
rownames(x) <- labs

现在需要给数据框x添加Neigh列，存储每个城市对应的数值最接近的邻近城市，已知可通过lapply(splt_mean, ...)实现，但不清楚如何指定其中的FUN函数。

解决方案 #

步骤1：将均值列表转换为命名向量 #

先把lapply生成的均值列表转换成命名向量，方便后续计算差值：

mean_vec <- unlist(splt_mean)

步骤2：定义匹配最邻近实体的函数 #

编写自定义函数，输入单个数值和整个均值向量，返回数值最接近的实体名称（排除自身）：

get_nearest_neighbor <- function(current_val, all_vals) {
  # 计算当前值与所有值的绝对值差
  diffs <- abs(all_vals - current_val)
  # 将自身的差值设为无穷大，避免匹配自己
  diffs[names(diffs) == names(current_val)] <- Inf
  # 返回差值最小的实体名称
  names(all_vals)[which.min(diffs)]
}

步骤3：应用函数生成Neigh列 #

使用sapply遍历均值向量，为每个元素匹配最邻近实体，并将结果添加到数据框x中：

x$Neigh <- sapply(mean_vec, get_nearest_neighbor, all_vals = mean_vec)

完整代码整合 #

把所有步骤整合在一起：

data(eurodist)
labs <- labels(eurodist)
splt <- split(eurodist, labs)
splt_mean <- lapply(splt, mean)
x <- as.data.frame(splt_mean)
x <- transpose(x)
colnames(x) <- "Mean"
rownames(x) <- labs

# 转换为命名向量
mean_vec <- unlist(splt_mean)

# 定义匹配函数
get_nearest_neighbor <- function(current_val, all_vals) {
  diffs <- abs(all_vals - current_val)
  diffs[names(diffs) == names(current_val)] <- Inf
  names(all_vals)[which.min(diffs)]
}

# 添加Neigh列
x$Neigh <- sapply(mean_vec, get_nearest_neighbor, all_vals = mean_vec)

运行后，数据框x就会包含每个城市对应的最邻近城市列了。

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