R语言中如何提取跨行重复的行内元素三元组并生成匹配结果表

核心处理逻辑 #

• 逐行提取A/B/C/D列所有可能的三元素无顺序组合，提前对行内元素排序，避免相同集合因列位置差异被识别为不同三元组
• 统计每个三元组的全局出现频次，仅保留出现次数≥2的三元组（即至少在两条不同记录中出现）
• 将筛选后的三元组关联所属原记录信息，按要求的列顺序整理输出结果

可直接运行的代码实现 #

# 加载依赖包
library(tidyverse)
library(gtools)

# 构造原始测试数据集
raw_df <- tibble(
  DOC = c("Doc1", "Doc2", "Doc3", "Doc4"),
  A = c("apple", "apple", "apple", "banana"),
  B = c("berry", "banana", "banana", "berry"),
  C = c("coconut", "berry", "berry", "pear"),
  D = c("pear", "prune", "coconut", "prune")
)

# 核心处理流程
result_df <- raw_df |>
  # 逐行提取三元组
  rowwise() |>
  mutate(
    sorted_vals = list(c_across(A:D) |> sort()),
    trios = list(combinations(sorted_vals, m = 3) |> as.data.frame())
  ) |>
  ungroup() |>
  # 展开三元组为长表
  unnest(trios) |>
  # 生成格式化的Trio标识
  mutate(Trio = paste(V1, V2, V3, sep = ", ")) |>
  # 筛选跨记录重复的三元组
  group_by(Trio) |>
  filter(n() >= 2) |>
  ungroup() |>
  # 调整列顺序匹配输出结构
  select(DOC, Trio, A:D)

实现细节说明 #

• 提取三元组阶段对行内元素做升序排列，消除列位置对三元组匹配的干扰：相同的三个元素无论分布在原行的哪几列，只要集合构成一致，就会生成完全相同的Trio字符串，不会出现同组元素被拆成不同三元组的识别偏差
• 分组过滤的规则直接匹配核心需求：统计每个Trio的出现行数，只要行数≥2，就说明该三元组至少在两条独立记录中出现，不需要额外做“是否和其他行匹配”的交叉校验
• 最终输出表完全保留原数据集的DOC、A、B、C、D列内容，仅新增Trio列标记当前行匹配到的具体三元组，和示例输出结构完全对齐

内容的提问来源于stack exchange，提问作者GPD