Моя цель, по большому счету, состоит в том, чтобы печатать только те строки, которые имеют одинаковое/одинаковое имя поля без повторения. То есть, если три строки дублируются, вывести каждую из них только один раз (а не каждое попарное сравнение).
Минимальный набор данных и библиотека для воспроизведения:
library(stringdist)
trye <- data.frame(names = c('aa','aa','aa','bb','bb','cc'),
values = 1:6,
id = c('row 1', 'row 2', 'row 3', 'row 4', 'row 5', 'row 6'),
stringsAsFactors = FALSE)
Моим ожидаемым результатом будут строки с одинаковыми/похожими именами (1,2,3,4 и 5):
trye
# names values id
# 1 aa 1 row 1
# 2 aa 2 row 2
# 3 aa 3 row 3
# 4 bb 4 row 4
# 5 bb 5 row 5
Вот две попытки, которые не сработали (некоторые другие модификации выдавали ошибки):
#this one prints row 1,2,3,3,5,5
i <- 1
while (i < length(trye$names)) {
dupe <- amatch(trye$names[[i]],trye$names[-i], maxDist = 1)
if(dupe + 1 > 0) {
print(trye[i,])
duperow <- dupe + 1
print(trye[duperow,])
trye <- trye[-c(i), ]
i <- i + 1
} else {
i <- i + 1
trye <- trye[-c(i), ]
}
}
# this one prints rows 1,2,4,5 which is almost correct,
# it's missing row 3 (as it shares the name with row 1 and 2.
i <- 1
while (i < length(trye$names)) {
dupe <- amatch(trye$names[[i]],trye$names[-i], maxDist = 1)
if(dupe + 1 > 0) {
print(trye[i,])
duperow <- dupe + 1
print(trye[duperow,])
trye <- trye[-c(i,duperow), ]
i <- i + 1
} else {
i <- i + 1
trye <- trye[-c(i,duperow), ]
}
}
Обратите внимание, что фактический набор данных огромен, поэтому удаление строк для уменьшения сравнений кажется (или казалось) хорошей идеей для меня, кроме того, максимальное расстояние в фактическом наборе больше 1.
sapply(1:nrow(trye), function(x) sum(adist(trye[x,1], trye[,1])==0)>1)
? используяadist
вместо amatch - person jeremycg   schedule 25.01.2016