R语言中从N个数值向量筛选n个最相似向量的方法

方法选择 #

采用组内平均成对相关性：对每个n个向量的组合，计算所有两两向量的Pearson相关系数，取平均值作为该组合的相似性得分。得分越高，组合内向量的相似性越强。

R代码实现 #

# 定义所有向量
a <- c(1,2,3,4,5)
b <- c(1,2,3,4,6)
c <- c(1,2,3,4,6)
d <- c(1,2,3,4,6)
e <- c(6,2,9,7,3)
f <- c(7,3,5,7,6)
g <- c(7,9,3,4,0)
h <- c(4,6,4,6,9)
i <- c(8,8,5,3,8)
j <- c(2,1,1,2,3)

# 将向量存入列表，方便批量处理
vec_list <- list(a = a, b = b, c = c, d = d, e = e, f = f, g = g, h = h, i = i, j = j)
vec_names <- names(vec_list)

# 生成所有3个向量的组合（n=3）
combos <- combn(vec_names, 3)

# 定义函数：计算一个向量组合的平均成对相关性
calc_similarity <- function(combo_names) {
  vecs <- vec_list[combo_names]
  # 计算组合内所有两两向量的相关系数
  pair_cor <- combn(vecs, 2, function(x) cor(x[[1]], x[[2]]))
  # 返回平均相关系数作为相似性得分
  mean(pair_cor)
}

# 批量计算所有组合的相似性得分
similarity_scores <- apply(combos, 2, calc_similarity)

# 整理结果数据框并排序
result_df <- data.frame(
  similarity_rank = rank(-similarity_scores, ties.method = "min"),
  vectors = apply(combos, 2, paste, collapse = ", "),
  similarity_score = round(similarity_scores, 4),
  stringsAsFactors = FALSE
)

# 按排名排序输出
result_df <- result_df[order(result_df$similarity_rank), ]

# 打印前10条结果（可按需调整输出数量）
print(result_df[1:10, ], row.names = FALSE)

结果说明 #

• b, c, d组合的相似性得分为1.0（三个向量完全一致，两两相关系数均为1），排名第一，符合预期。
• a, b, c这类组合的得分会是两两相关系数的平均值，例如(cor(a,b)+cor(a,c)+cor(b,c))/3 ≈ 0.998，排名靠前。

扩展方案 #

如果需要更复杂的相似性度量，可选择：

• 组内协方差矩阵的迹：迹越小，说明向量整体离散程度越低，相似性越强。
• 多维缩放(MDS)组内平均距离：将向量映射到低维空间后，计算组内点的平均距离，距离越小则相似性越高。

内容的提问来源于stack exchange，提问作者isaid-hi