2つのベクトルの情報に基づいて重なり合うグループの相対的なサイズを特定する

Question

私は非常に乱雑な家族データを扱っています。子供たちを複数の家族でグループ化することが可能です。次のようにデータが構成されています

famid <- c("A","A","B","C","C","D","D") 
kidid <- c("1","2","1","3","4","4","5") 
df <- as.data.frame(cbind(famid, kidid)) 

私は、その家族の中で子供たちのすべてが別にグループ化された基準に基づいて、より大きな、家族をドロップすることができた家族を識別します。例えば

ファミリーBが完全ファミリーA内に含まれているので、家族Aは、子供1と子供2ファミリーBを含有するキッド1含まれ、Iは、あるいは家族B.

をドロップする、ファミリーCは、キッド3含有家族のDにはKid 4とKid 5が含まれています。どちらの家族も完全に他の家族に含まれていないので、当分の間はどちらも落ちたくありません。

私のデータには、子供1人あたり最大6家族、家族あたり最大8人の子供がいることがあります。何千もの家族と何千人もの子供たちがいます。

私は子供1人1列、子供が関連する各家族の列、子供が関連付けられている各家族の各兄弟、追加の列を持つ非常に幅広いdata.frameを作成することでこれを解決しようとしました（sibgrp）を使用して、すべての兄弟を連結します。しかし、連結された文字列内の個々の兄弟を検索しようとしたとき、私はこれを行う方法がわかりませんでした。greplはパターン引数としてベクトルをとらないでしょう。

その後、交差や類似の機能を調べ始めましたが、ベクトル内の他の観測値に対する観測値ではなく、ベクトル全体を比較します。 （意味 - 文字列df[1,2]と文字列df[1,3]の間の交差点を見つけることができません。代わりに、df[2]とdf[3]の間の交差を識別します）。

このアプローチに対応するために私の思考を変えようとしました。少なくとも1つの兄弟が共有されていることを既に知っていると仮定して、兄弟のベクトルを互いに比較することができました。私はこれをやっても、どれくらいの種類の家族があるか、どれくらいの人が共通の子供でも互いに関係していない場合、どのようにして始めるかを理解できませんでした。

私はここで何が欠けていますか？フィードバックをいただければ幸いです。ありがとうございました！

Answer 1

この機能は、タスクの実行にも使用できます。これは、削除可能なファミリの名前を含む文字ベクトルを返します。

test_function <- function(dataset){ 

## split the kidid on the basis of famid 
kids_family <- split.default(dataset[['kidid']],f = dataset[['famid']]) 

family <- names(kids_family) 

## This function generates all the possible combinations if we select any two families from family 
combn_family <- combn(family,2) 

family_removed <- character(0) 
apply(combn_family,MARGIN = 2, function(x){ 

    if (length(setdiff(kids_family[[x[1]]],kids_family[[x[2]]])) == 0) 
    family_removed <<- c(family_removed,x[1]) 
    else if (length(setdiff(kids_family[[x[2]]],kids_family[[x[1]]])) == 0) 
    family_removed <<- c(family_removed,x[2]) 

}) 

return (family_removed) 
} 
> df <- data.frame(famid = c("A","A","B","C","C","D","D", "E", "E", "E", "F", "F"), 
+     kidid = c(1, 2, 1, 3, 4, 4, 5, 7, 8, 9, 7, 9)) 
> test_function(df) 
[1] "B" "F" 

Answer 2

私は試したことがありません。チャンスはありません。setdiffもっと良い方法があることを願って、この厄介な解決策を投稿しました。

# dependencies for melting tables and handling data.frames 
require(reshape2) 
require(dplyr) 


# I have added two more cases to your data.frame 
# kidid is passed as numeric (with quoted would have been changed to vector by default) 
df <- data.frame(famid = c("A","A","B","C","C","D","D", "E", "E", "E", "F", "F"), 
       kidid = c(1, 2, 1, 3, 4, 4, 5, 7, 8, 9, 7, 9)) 

# let's have a look to it 
df 
famid kidid 
1  A  1 
2  A  2 
3  B  1 
4  C  3 
5  C  4 
6  D  4 
7  D  5 
8  E  7 
9  E  8 
10  E  9 
11  F  7 
12  F  9 

# we build a contingency table 
m <- table(df$famid, df$kidid) 

# a family A only contains a family B, if A has all the elements of B, 
# and at least one that B doesnt have 
m 

    1 2 3 4 5 7 8 9 
A 1 1 0 0 0 0 0 0 
B 1 0 0 0 0 0 0 0 
C 0 0 1 1 0 0 0 0 
D 0 0 0 1 1 0 0 0 
E 0 0 0 0 0 1 1 1 
F 0 0 0 0 0 1 0 1 

# an helper function to implement that and return a friendly data.frame 
family_contained <- function(m){ 
    res <- list() 
    for (i in 1:nrow(m)) 
    # for each line in m, we calculate the difference to all other lines 
    res[[i]] <- t(apply(m[-i, ], 1, function(row) m[i, ] - row)) 
    # here we test if all values are 0+ (ie if the selected family has all element of the other) 
    # and if at least one is >=1 (ie if the selected family has at least one element that the other doesnt have) 
    tab <- sapply(res, function(m) apply(m, 1, function(x) all(x>=0) & any(x>=1))) 
    # we format it as a table to have nice names 
    tab %>% as.table() %>% 
    # we melt it into a data.frame 
    melt() %>% 
    # only select TRUE and get rid of this column 
    filter(value) %>% select(-value) %>% 
    # to make things clear we name columns 
    `colnames<-`(c("this_family_is_contained", "this_family_contains")) 
} 

family_contained(m) 
# this_family_is_contained this_family_contains 
# 1   B    A 
# 2   F    E 

# finally you can filter them with 
filter(df, !(famid %in% family_contained(m)$this_family_is_contained))