基于R绘制桑基图：多组列表向量交集计算高效实现问询

问题背景 #

目标是在R中绘制桑基图（alluvial plot），但现有数据格式无法直接使用：

• 共4组数据，每组为列表的列表向量结构（外层是模块名称，内层是模块包含的元素）
• 需要计算所有组间模块组合的交集元素频率，用于桑基图的流量数值
• 真实数据每组包含50+模块，需要计算/内存高效的实现方案

示例数据 #

library(tidyverse)

# 示例组数据
group1 <- list(module1 = c("test1", "test2", "test3", "test4", "test5", "test6"),
               module2 = c("test7", "test8", "test9", "test10"),
               module3 = c("test11", "test12", "test13"))

group2 <- list(module1 = c("test3", "test4", "test5", "test7", "test8"),
               module2 = c("test1", "test12", "test13"),
               module3 = c("test2", "test6", "test11"))

group3 <- list(module1 = c("test3", "test5", "test6", "test8"),
               module2 = c("test1", "test7", "test9", "test10"),
               module3 = c("test13", "test14", "test15"))

# 生成所有模块组合（用于对比）
list_combination <- list(group1 = names(group1), group2 = names(group2), group3 = names(group3)) %>% 
  cross() %>% 
  bind_rows()

高效解决方案：基于元素映射的统计 #

直接遍历所有模块组合计算交集的方法（如rowwise()+intersect()）在模块数量大时会产生大量空计算，效率极低。换用元素-模块映射的思路，从元素维度统计归属的模块组合，大幅降低计算量：

步骤1：将组数据转换为长格式 #

把每个组的模块-元素结构转换为“元素-所属模块”的长表：

# 定义转换函数
convert_group_to_long <- function(group_data, group_name) {
  enframe(group_data, name = "module", value = "element") %>%
    unnest(element) %>%
    rename(!!group_name := module)
}

# 转换所有组
g1_long <- convert_group_to_long(group1, "group1")
g2_long <- convert_group_to_long(group2, "group2")
g3_long <- convert_group_to_long(group3, "group3")

步骤2：合并元素的跨组模块信息 #

通过内连接筛选出在所有组中存在的元素（即交集元素），并保留它们在每个组中的归属模块：

element_module_map <- g1_long %>%
  inner_join(g2_long, by = "element") %>%
  inner_join(g3_long, by = "element")

步骤3：统计模块组合的元素频率 #

按模块组合分组，统计每个组合包含的交集元素数量：

result_counts <- element_module_map %>%
  count(group1, group2, group3, name = "Freq") %>%
  # 可选：补充所有模块组合（包括Freq=0的情况）
  right_join(list_combination, by = c("group1", "group2", "group3")) %>%
  mutate(Freq = replace_na(Freq, 0))

结果验证 #

该方法输出的result_counts与手动计算的expected_result_counts完全一致，且计算效率远高于逐组合计算交集。

桑基图绘制 #

使用ggalluvial包绘制桑基图，若为4组数据，只需添加axis3参数即可：

library(ggalluvial)

ggplot(result_counts,
       aes(y = Freq, axis1 = group1, axis2 = group2, axis3 = group3)) +
  geom_alluvium(aes(fill = group3), width = 1/12) +
  geom_stratum(width = 1/12, fill = "black", color = "grey") +
  geom_label(stat = "stratum", aes(label = after_stat(stratum))) +
  scale_x_discrete(limits = c("Group1", "Group2", "Group3"), expand = c(.05, .05)) +
  scale_fill_brewer(type = "qual", palette = "Set1") +
  ggtitle("Alluvial Plot of Module Intersections")

关键注意事项 #

• 组内模块元素互不重复，因此转换长格式时不会出现元素重复映射
• 针对4组数据，只需在element_module_map中加入第4组的内连接即可
• 该方法的时间复杂度由元素总数决定，而非模块组合数（50^4=625万种组合），在大数据量下优势显著

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