R中基于普通分组变量与字符串列表公共元素的分组方法问询

需求说明 #

普通分组变量取值匹配的前提下，列表列只要存在任意公共元素（含连通传递关联）就归为同一组。

错误方案原因 #

• 第一种dplyr方案：%in%对列表列执行的是完全匹配判断，无法识别元素级别的交集匹配
• 第二种循环方案：未考虑连通传递规则（即A与B有公共元素、B与C有公共元素时，A与C即使无公共元素也需归为同一组），无法得到正确的分组结果

可行实现代码 #

依赖包 #

需要提前安装加载以下包：

install.packages(c("dplyr", "purrr", "igraph"))
library(dplyr)
library(purrr)
library(igraph)

核心函数与调用 #

# 定义同普通分组内的连通分量分组函数
get_conn_grp <- function(lst_col) {
  n <- length(lst_col)
  if(n == 1) return(1)
  # 生成所有存在公共元素的行的边关系
  edges <- combn(1:n, 2, function(pair) {
    if(length(intersect(lst_col[[pair[1]]], lst_col[[pair[2]]])) > 0) {
      return(c(pair[1], pair[2]))
    }
    return(NULL)
  }, simplify = FALSE) %>% 
    compact() %>% 
    unlist()
  # 构建图结构计算连通分量作为分组id
  g <- graph(edges = edges, directed = FALSE, n = n)
  as.integer(components(g)$membership)
}

# 生成分组结果
dat <- dat %>%
  group_by(cod) %>%
  mutate(sub_grp = get_conn_grp(lst)) %>%
  ungroup() %>%
  mutate(grp = cur_group_id(), .by = c(cod, sub_grp)) %>%
  select(-sub_grp)

输出验证 #

运行后输出结果与期望完全一致：

内容的提问来源于stack exchange，提问作者samalevy