R语言统计studyID分组下post_id值共现次数并生成下三角矩阵

实现逻辑 #

我们需要统计每个studyID分组下，任意两个不同post_id的共同出现次数，最终仅在4×4矩阵的下三角填充统计值，其余位置设为NA，核心步骤如下：

1. 按studyID分组，提取每组内的唯一post_id值
2. 对每组的post_id生成所有两两从小到大的不重复组合
3. 统计所有组合的出现频次
4. 构造目标矩阵，对应填充统计结果

完整实现代码 #

依赖tidyverse的实现方式 #

# 读取数据集
data <- read.csv("https://raw.githubusercontent.com/ilzl/i/master/pr.csv")[c(1,7)]

# 加载依赖包
library(tidyverse)

# 统计共现频次
count_res <- data %>%
  # 先去重，避免同一studyID下重复的post_id干扰统计
  distinct(studyID, post_id) %>%
  group_by(studyID) %>%
  # 过滤掉只有单个post_id的分组，无共现可能
  filter(n_distinct(post_id) >= 2) %>%
  summarise(
    # 生成当前分组所有两两post_id组合
    pair = list(combn(sort(unique(post_id)), 2, simplify = FALSE))
  ) %>%
  unnest(pair) %>%
  # 提取组合对应的矩阵行、列索引（大值为行，小值为列，对应下三角位置）
  mutate(
    mat_row = map_int(pair, ~.x[2]),
    mat_col = map_int(pair, ~.x[1])
  ) %>%
  count(mat_row, mat_col)

# 构造结果矩阵
result_mat <- matrix(NA, nrow = 4, ncol = 4, dimnames = list(1:4, 1:4))
# 填充统计值到对应下三角位置
for (i in seq(nrow(count_res))) {
  result_mat[count_res$mat_row[i], count_res$mat_col[i]] <- count_res$n[i]
}

# 查看结果
print(result_mat)

基础R实现方式（无需额外安装包） #

# 读取数据集
data <- read.csv("https://raw.githubusercontent.com/ilzl/i/master/pr.csv")[c(1,7)]

# 按studyID拆分post_id
post_by_id <- split(data$post_id, data$studyID)

# 统计所有共现组合的频次
pair_count <- table(unlist(lapply(post_by_id, function(x) {
  unique_post <- sort(unique(x))
  # 跳过只有单个post_id的分组
  if (length(unique_post) < 2) return(NULL)
  # 生成两两组合并拼接为标识字符串
  apply(combn(unique_post, 2), 2, paste, collapse = "_")
})))

# 构造并填充结果矩阵
result_mat <- matrix(NA, nrow = 4, ncol = 4, dimnames = list(1:4, 1:4))
for (pair_name in names(pair_count)) {
  idx <- as.integer(strsplit(pair_name, "_")[[1]])
  result_mat[idx[2], idx[1]] <- as.integer(pair_count[pair_name])
}

# 查看结果
print(result_mat)

输出结果验证 #

运行以上代码后得到的矩阵和预期完全一致：

• [2,1]（post_id 1与2共现）：31次
• [3,1]（post_id 1与3共现）：3次
• [4,1]（post_id 1与4共现）：1次
• [3,2]（post_id 2与3共现）：3次
• [4,2]（post_id 2与4共现）：1次
• [4,3]（post_id 3与4共现）：1次
• 其余位置均为NA

内容的提问来源于stack exchange，提问作者rnorouzian