统计数据库中同一行内最常共现的变量对频次

我正在处理一个大型数据库，希望找出哪些变量最常出现在同一行（即彼此的关联环境中）。每行可能包含20多个变量，且我并不知晓所有变量。

示例数据 #

var1 <- c("x", "x", "x", "x", "x", "x", "y", "y", "y", "y")
var2 <- c("a", "a", "b", "b", "c", "d", "e", "e", "g", "h")
data <- data.frame(cbind(var1, var2))

预期结果 #

解决方案 #

针对多列变量的场景（每行20+个变量），可以用以下方法处理：

1. 加载所需工具包

library(tidyverse)

2. 生成两两变量组合并统计频率

co_occur <- data %>%
  rowwise() %>%
  # 提取当前行所有非NA变量
  mutate(vars = list(na.omit(c_across(everything())))) %>%
  # 生成所有两两无重复组合
  mutate(pairs = list(combn(vars, 2, paste, collapse = "&"))) %>%
  unnest(pairs) %>%
  # 统计组合出现次数
  count(pairs, name = "n") %>%
  # 按频率降序排序
  arrange(desc(n))

# 匹配预期结果的列名
colnames(co_occur) <- c("frequent contacts", "n")

print(co_occur)

关键说明 #

• c_across(everything())自动捕获当前行所有变量，无需提前知晓列名；
• combn(vars, 2)生成无重复的两两组合，避免重复统计（如x&a和a&x视为同一组合）；
• na.omit()自动过滤空值，排除无效组合。

内容的提问来源于stack exchange，提问作者onlyjust17