You need to enable JavaScript to run this app. R中如何用dplyr生成推特用户转发频次的交叉计数数据框
优惠活动
大模型
产品
解决方案
定价
更多

R中如何用dplyr生成推特用户转发频次的交叉计数数据框

推特用户转发频次交叉计数表实现方案

场景与需求说明

  • 持有包含200个推特用户名的列表username_list,需要统计列表内用户之间的转发频次
  • 原始数据为长表结构的all_text对象,简化结构如下:
screen_name       retweet_screen_name
1 screen_name1      retweet_screen_name1
2 screen_name1      retweet_screen_name2
3 screen_name2      retweet_screen_name1
4 screen_name1      retweet_screen_name1
5 screen_name3      retweet_screen_name2
  • 最终需要输出为宽表结构的邻接矩阵:行对应用户作为转发发起方,列对应用户作为被转发对象,单元格值为对应转发次数,示例结构:
retweet_screen_name1     retweet_screen_name2 ...... retweet_screen_name200
screen_name1           2                         1                 etc
screen_name2           1                         0                 etc
screen_name3           0                         1                 etc

现有实现的问题点

  • 初始编写的retweet.counts自定义函数仅能单次统计某一个被转发用户的计数,需要手动循环拼接列,效率低且容易出现列名不匹配、漏统计的问题
  • 找到的批量统计参考代码逻辑为单列频数统计,和跨列成对关系计数的需求不匹配,无法直接套用

具体实现步骤

  1. 完成预清洗,对齐原有过滤逻辑
    按照原有代码的时间过滤规则提前处理数据,避免重复计算:
    # 加载需要的包
    library(dplyr)
    library(tidyr)
    
    cleaned_data <- all_text %>%
      select(screen_name, created_at, retweet_screen_name) %>%
      mutate(year = substr(created_at, 1, 4)) %>%
      # 沿用原有时间范围过滤规则
      filter(year > 2017 & year < 2021) %>%
      # 剔除转发字段为空的无效记录
      filter(!is.na(retweet_screen_name))
    
  2. 限定统计范围,避免冗余行列
    仅保留你持有的200个用户名之间的转发记录,不纳入无关用户,防止生成大量全为0的冗余维度:
    target_scope_data <- cleaned_data %>%
      # 行维度:转发发起方属于目标用户名列表
      filter(screen_name %in% username_list) %>%
      # 列维度:被转发对象属于目标用户名列表
      filter(retweet_screen_name %in% username_list)
    
  3. 直接生成交叉计数宽表,无需循环
    采用分组计数+长转宽的标准实现,替代循环调用自定义函数的低效方案,整体计算效率比逐列拼接高两个数量级以上,针对200个用户的规模完全无性能压力:
    retweet_cross_matrix <- target_scope_data %>%
      # 按 发起方-被转发方 成对分组,统计每对的转发次数
      count(screen_name, retweet_screen_name, name = "retweet_count") %>%
      # 长表转宽表,匹配要求的输出结构
      pivot_wider(
        id_cols = screen_name,
        names_from = retweet_screen_name,
        values_from = retweet_count,
        # 无对应转发记录的位置填充0
        values_fill = 0
      )
    
  4. 可选:对齐行列顺序,确保和username_list完全匹配
    补全缺失的行和列,调整顺序和你持有的200个用户名完全一致,避免出现维度错位:
    final_result <- retweet_cross_matrix %>%
      # 设置行索引为转发发起方
      column_to_rownames("screen_name") %>%
      # 补全所有缺失的目标列,默认填充0
      bind_cols(setNames(
        rep(0, length(username_list)) %>% as.list(),
        username_list
      )) %>%
      # 调整列顺序和username_list完全对齐
      select(all_of(username_list)) %>%
      # 把行索引转回普通列
      rownames_to_column("screen_name")
    

注:上述方案生成的结果本质就是社交网络分析中的转发邻接矩阵,完全匹配你要求的“行统计转发发起行为、列统计被转发对象”的结构,不需要编写循环逐列拼接。

内容的提问来源于stack exchange,提问作者mk2080

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.08 06:36:08