R语言筛选三列分类值精确匹配行 kmodes聚类结果不符预期

需要在数据框中定位rg1、rg2、rg3（对应B、C、D列）三个分类变量列值完全匹配的行：若某组三列值组合（例如首行的(70,71,72)）在多个用户ID对应的行中存在完全一致的匹配项，则保留所有携带该组合的用户行，删除其余不满足重复匹配条件的数据。

此前尝试使用kmodes聚类实现该需求，但运行结果仅按数据框中出现频率最高的单个rg值分组排名，未达到预期效果，原有实现代码如下：

kmodes <- klaR::kmodes(mapped_df, modes= 5, iter.max = 10, weighted = FALSE)
# 将聚类结果添加到主数据框
final <- mapped_df %>%
  mutate(cluster = kmodes$cluster)

这个场景属于精确值匹配分组，不需要使用聚类算法，直接按三列值组合分组过滤即可，用dplyr可以快速实现：

核心逻辑 #

• 以B、C、D三个列作为分组键，聚合统计每个三值组合的出现频次
• 筛选出出现次数大于等于2的组合（即存在完全匹配的组合）
• 保留所有属于这些组合的行，其余行直接剔除

实现代码 #

如果只需要判断三列组合是否重复出现（不区分是否为同一用户），直接使用以下代码：

library(dplyr)

final <- mapped_df %>%
  group_by(B, C, D) %>%
  # 保留出现至少2次的组合对应的所有行
  filter(n() >= 2) %>%
  # 可选：给每个匹配的组合加唯一分组ID，取消注释即可
  # mutate(match_group_id = cur_group_id()) %>%
  ungroup()

如果要求三列组合必须对应至少2个不同的用户ID（排除同一用户重复提交同组合数据的干扰），将统计逻辑替换为独立用户计数即可，假设用户ID列名为user_id，代码调整为：

library(dplyr)

final <- mapped_df %>%
  group_by(B, C, D) %>%
  # 替换user_id为你实际的用户ID列名
  filter(n_distinct(user_id) >= 2) %>%
  ungroup()

原有方案问题说明 #

kmodes是用于相似性聚类的算法，做的是模糊近似分组，会把特征值接近但不完全一致的样本归为同一类，本身就不适用于严格等值匹配的场景，这也是之前结果只按单个rg值频率分组、达不到精确匹配要求的原因。

内容的提问来源于stack exchange，提问作者Anonymous