如何在R中匹配数据框元素与另一数据框的组/超组

构造基础数据框 #

组映射数据框data #

library(tibble)
Groups = c("animals","furniture","vehicles","House",
           "Commute","Food","Need","Family")
elements = c("cat,dog,bird", "chair,table", "car,motorcycle", "animals,furniture",
             "bike,rollers", "pasta,pizza", "water,power",
             "House,Mother")
p = seq(1,8,1)
data = tibble(Groups, elements, p)

该数据框定义了组与超组的嵌套关系，例如Family包含House和Mother，House包含animals和furniture。

样本数据框df #

date = c(rep(as.Date("2022/1/1"),3),
         rep(as.Date("2022/1/2"),3),
         rep(as.Date("2022/1/3"),3))
var1 = c(rep("cat",3), rep("cat,Mother,bike,pasta",3), rep("dog,bird",3))
df = tibble(date, var1)

匹配需求 #

为df添加Groups列，需遵循以下规则：

• 当var1的所有元素完全属于某个组/超组时，匹配最高层级的组（例如2022-01-02的cat,Mother,bike,pasta对应Family）
• 若仅单个元素且无对应完整组，填充NA（例如2022-01-01的cat）
• 若元素组完全匹配某个基础组，对应该组（例如2022-01-03的dog,bird对应animals）

实现步骤与代码 #

步骤1：预处理组数据，构建层级映射 #

先展开组的嵌套关系，明确每个组包含的所有底层元素，并确定组的层级（超组层级更高）：

library(dplyr)
library(tidyr)

# 拆分elements为列表，方便后续处理
data_processed <- data %>%
  mutate(elements_list = strsplit(elements, ","))

# 递归获取某个组包含的所有底层元素（非组的元素）
get_all_elements <- function(group_name) {
  current_elements <- data_processed %>%
    filter(Groups == group_name) %>%
    pull(elements_list) %>%
    unlist()
  
  # 判断元素是否为组
  is_group <- current_elements %in% data_processed$Groups
  
  if (any(is_group)) {
    # 递归处理子组，合并结果
    sub_elements <- lapply(current_elements[is_group], get_all_elements) %>% unlist()
    c(current_elements[!is_group], sub_elements)
  } else {
    current_elements
  }
}

# 为每个组生成完整的底层元素集合，并按层级降序排序
group_full_elements <- data_processed %>%
  rowwise() %>%
  mutate(full_elements = list(unique(get_all_elements(Groups)))) %>%
  ungroup() %>%
  mutate(level = sapply(full_elements, length)) %>%
  arrange(desc(level))

步骤2：处理样本数据，拆分元素 #

将df中的var1拆分为元素列表：

df_processed <- df %>%
  mutate(var1_elements = strsplit(var1, ","))

步骤3：实现匹配逻辑 #

遍历每个样本的元素集合，找到所有完全包含该集合的组，选择层级最高的组；无匹配则返回NA：

match_group <- function(elements) {
  # 筛选出所有包含当前元素集合的组
  matched_groups <- group_full_elements %>%
    filter(sapply(full_elements, function(x) all(elements %in% x)))
  
  if (nrow(matched_groups) == 0) {
    NA_character_
  } else {
    # 返回层级最高的组（已按层级降序，取第一个）
    matched_groups$Groups[1]
  }
}

# 应用匹配函数，生成结果
df_result <- df_processed %>%
  rowwise() %>%
  mutate(Groups = match_group(var1_elements)) %>%
  ungroup() %>%
  select(date, var1, Groups)

最终结果 #

运行后df_result输出如下：

# A tibble: 9 × 3
  date       var1                  Groups 
  <date>     <chr>                 <chr>  
1 2022-01-01 cat                   NA     
2 2022-01-01 cat                   NA     
3 2022-01-01 cat                   NA     
4 2022-01-02 cat,Mother,bike,pasta Family 
5 2022-01-02 cat,Mother,bike,pasta Family 
6 2022-01-02 cat,Mother,bike,pasta Family 
7 2022-01-03 dog,bird              animals
8 2022-01-03 dog,bird              animals
9 2022-01-03 dog,bird              animals

内容的提问来源于stack exchange，提问作者Homer Jay Simpson