R数据表外连接按功能

Question

我有一个包含以下列的数据表:

name, x, y
a, 1, 2
b, 2, 3
c, 3, 1

我想将这个表与自身连接起来，保留 name != name 的每一行，并在 x 和 y 上运行一个距离函数> 每一方的值(value)。结果应采用以下格式:

name1, name2, distance

我这样写距离函数:

dist <- function(a, b) sqrt((a$x-b$x)^2 + (a$y-b$y)^2)

我尝试使用 outer 函数，但它只接受向量，而不接受数据表，我尝试使用 dplyr 中的各种连接但没有成功。

Answer 1

假设您的数据集如下所示:

d <- data_frame(name = rownames(mtcars), x = mtcars$mpg, y = mtcars$cyl)

尝试两个数据框的所有组合(或它们自身的所有组合)的一般方法是 tidyr 的 crossing 函数(尽管您需要小心重命名列)。之后您将能够计算距离并进行过滤:

library(dplyr)
library(tidyr)

d %>%
  rename(name1 = name, x1 = x, y1 = y) %>%
  crossing(d) %>%
  rename(name2 = name, x2 = x, y2 = y) %>%
  mutate(distance = sqrt((x1 - x2) ^ 2 + (y1 - y2) ^ 2)) %>%
  filter(name1 != name2)

在这种特殊情况下，您可以使用我的 fuzzyjoin包，特别是 distance_join(您需要 GitHub 的最新开发版本)。这将根据距离阈值连接两个数据帧(在本例中为自连接)，并附加一个带有距离的附加列:

library(fuzzyjoin)

d %>%
  rename(name1 = name) %>%
  distance_inner_join(d, max_dist = Inf, distance_col = "distance") %>%
  rename(name2 = name) %>%
  filter(name1 != name2)

这将给出:

# A tibble: 992 x 7
       name1   x.x   y.x             name2   x.y   y.y distance
       <chr> <dbl> <dbl>             <chr> <dbl> <dbl>    <dbl>
1  Mazda RX4    21     6     Mazda RX4 Wag  21.0     6 0.000000
2  Mazda RX4    21     6        Datsun 710  22.8     4 2.690725
3  Mazda RX4    21     6    Hornet 4 Drive  21.4     6 0.400000
4  Mazda RX4    21     6 Hornet Sportabout  18.7     8 3.047950
5  Mazda RX4    21     6           Valiant  18.1     6 2.900000
6  Mazda RX4    21     6        Duster 360  14.3     8 6.992138
7  Mazda RX4    21     6         Merc 240D  24.4     4 3.944617
8  Mazda RX4    21     6          Merc 230  22.8     4 2.690725
9  Mazda RX4    21     6          Merc 280  19.2     6 1.800000
10 Mazda RX4    21     6         Merc 280C  17.8     6 3.200000
# ... with 982 more rows

如果您知道自己不关心远距离匹配，则可以将 max_dist 设置为另一个非无限阈值。