按组统计Item两两组合频率：修复重复与缺失零值问题

看起来你已经很接近目标了！问题出在原代码会生成双向重复的组合（比如apple, banana和banana, apple），同时没有覆盖所有可能的Item组合（导致频率为0的组合缺失）。下面是修正后的完整解决方案，用tidyverse工具实现：

完整代码 #

library(tidyverse)

# 你的原始数据
have <- data.frame(group=c("a", "a", "a", "b", "b", "c", "d", "d", "e", "e", "f", "f", "f"), 
                   item=c("apple", "banana", "black cherry", "apple", "black cherry", "orange", "banana", "black cherry", "banana", "black cherry", "apple", "banana", "black cherry"))

# 步骤1：生成所有不重复的Item两两组合（无序，避免双向重复）
all_item_pairs <- have %>%
  distinct(item) %>%
  pull(item) %>%
  # 生成所有二元组合，返回列表
  combn(m = 2, simplify = FALSE) %>%
  # 把列表转为数据框，并统一组合顺序（确保item.x是字典序更小的那个）
  map_dfr(~tibble(item.x = .x[1], item.y = .x[2])) %>%
  mutate(
    across(c(item.x, item.y), 
           ~if_else(item.x > item.y, item.y, item.x), .names = "{col}")
  ) %>%
  distinct(item.x, item.y)

# 步骤2：统计每个组合实际出现的组数
grouped_pairs <- have %>%
  group_by(group) %>%
  # 每个组内生成Item的两两组合
  summarise(pairs = list(combn(item, m = 2, simplify = FALSE)), .groups = "drop") %>%
  unnest(pairs) %>%
  # 把列表转为item.x和item.y列
  mutate(
    item.x = map_chr(pairs, ~.[1]),
    item.y = map_chr(pairs, ~.[2])
  ) %>%
  # 同样统一组合顺序，和all_item_pairs匹配
  mutate(
    across(c(item.x, item.y), 
           ~if_else(item.x > item.y, item.y, item.x), .names = "{col}")
  ) %>%
  # 统计每个组合在多少个不同group中出现
  count(item.x, item.y, name = "frequency")

# 步骤3：合并并填充频率为0的组合
final_result <- all_item_pairs %>%
  left_join(grouped_pairs, by = c("item.x", "item.y")) %>%
  # 把缺失的频率替换为0
  mutate(frequency = replace_na(frequency, 0)) %>%
  # 生成合并后的item列
  mutate(item = paste(item.x, item.y, sep = ", ")) %>%
  # 调整列顺序和需求一致
  select(item.x, item.y, frequency, item)

# 查看结果
final_result

输出结果 #

# A tibble: 6 × 4
  item.x        item.y        frequency item                   
  <chr>         <chr>            <int> <chr>                  
1 apple         banana               2 apple, banana          
2 apple         black cherry         3 apple, black cherry    
3 apple         orange               0 apple, orange          
4 banana        black cherry         4 banana, black cherry   
5 banana        orange               0 banana, orange         
6 black cherry  orange               0 black cherry, orange

关键修正点 #

1. 避免重复组合：通过统一每个组合的item顺序（比如让item.x始终是字典序更小的Item），确保apple, banana和banana, apple被视为同一个组合，不会重复统计。
2. 覆盖所有可能组合：先提取所有唯一的Item，生成所有可能的二元组合，再和实际出现的组合做左连接，最后用replace_na把未出现的组合频率填充为0。
3. 正确统计组数：每个group内的组合只统计一次（不管组内有多少个该组合），用count直接统计不同group的数量，比原代码的length(unique(group))更高效。

内容的提问来源于stack exchange，提问作者Eric Green