Cluster Analysis：用户信息变更时识别唯一用户的代码扩展咨询

适配多字段唯一用户识别的修改方案 #

核心思路是通过行号作为临时锚点，将同一行的所有标识字段（user_id、手机号、邮箱等）关联到同一网络中，所有属于同一个真实用户的标识会自动聚到同一个连通分量内，该方案可以适配任意数量的标识字段，新增字段仅需少量调整即可。

完整可运行代码 #

library(tidyverse)
library(igraph)

# 示例数据
dat <- data.frame(user_id = c(101,102,102,103,103,106, 107, 111, 112),
                  phone_number = c(4030201, 4030201, 4030202, 4030202, 4030203, 4030204, 4030205, 4030203, 4030206),
                  email = c("a@gmail.com", "b@gmail.com", "c@gmail.com", "d@gmail.com", "e@gmail.com", "f@gmail.com", "g@gmail.com", "h@gmail.com", "a@gmail.com"))

# 多字段唯一用户识别代码
dat_with_grp <- dat %>%
  # 新增行号作为临时锚点，关联同一行的所有标识
  mutate(row_id = row_number() %>% as.character()) %>%
  # 把所有标识字段转为长格式，生成「行号-标识」的边列表
  pivot_longer(cols = -row_id, names_to = "type", values_to = "id") %>%
  # 统一转成字符避免数值/因子类型匹配问题
  mutate(id = as.character(id)) %>%
  # 构建无向图，行号和对应标识连边
  graph_from_data_frame(directed = FALSE) %>%
  # 计算连通分量
  components() %>%
  pluck(membership) %>%
  stack() %>%
  set_names(c("GRP", "id")) %>%
  # 过滤临时行号，仅保留原数据的标识映射关系
  inner_join(
    dat %>% mutate(across(everything(), as.character)) %>% pivot_longer(everything(), values_to = "id"),
    by = "id"
  ) %>%
  # 去重后关联回原表
  select(-name) %>%
  distinct() %>%
  right_join(dat %>% mutate(across(everything(), as.character)), by = c("user_id", "phone_number", "email"))

代码说明 #

• 适配性强：如果要新增其他标识字段（比如身份证号、设备号），不需要修改核心逻辑，只需要保证新字段在原表中即可，代码会自动纳入关联逻辑
• 结果输出：最终的dat_with_grp会在原数据的基础上新增GRP字段，相同GRP的行属于同一个真实用户
• 兼容性好：所有标识统一转为字符类型，避免数值和因子类型的匹配错误

内容的提问来源于stack exchange，提问作者James Harrington