问题描述
我有两个数据框,下面为它们复制了真实数据。第一个数据帧如下:
FirstDataFrame <- data.frame("GroupID" = c(1902,1905,1906,1914,1932,1964,1964),"SubjectID" = c(24626,13300,14126,2619,914,872,13325,12539,12597,13314,13343,1723,13333),"Age" = c(17,13,16,17,5,9,8,14,10,7,16))
第二个数据帧看起来像,每个Age
的值都被计数:
SecondDataFrame <- data.frame("OtherID" = c(1,2,3,4,6),"Age5" =c(0,11,12,57),"Age6"= c(0,52),"Age7" = c(0,42),"Age8" = c(0,50),"Age9" = c(0,46),"Age10" = c(0,41),"Age11" = c(19,"Age12" = c(14,39),"Age13" = c(54,78,83,13),"Age14" = c(69,101,145,0),"Age15" = c(59,114,128,"Age16" = c(77,127,107,"Age17" = c(61,91,82,0))
AgeX
的{{1}}列中的每一个都对应特定的单岁年龄,如列名所示。
我的目标是针对SecondDataFrame
中的每个GroupID
:
- 提取年龄值(可能是向量)。请注意,
FirstDataFrame
内的某些年龄可能相同。例如,我可能有两个14岁的孩子。 - 在
GroupID
中,找到SecondDataFrame
行,该行包含与ID
中的年龄相匹配的最高频率,并且 的计数至少为1 (如果年龄翻倍,则至少为2)在GroupID
中。也就是说,找到具有最高列匹配频率(向量索引?)的GroupID
行(或者也许是向量,我曾考虑过为每个OtherID
设计一个向量)。 - 在
OtherID
内,将选定的GroupID
分配给每个符合该条件的OtherID
。 - 对于与该
SubjectID
的每次匹配,将关联的AgeX
列中的计数减少1。 - 在
OtherID
内重复,直到所有GroupID
的年龄都与SubjectID
匹配为止。 - 循环到下一个
SecondDataFrame
。
正如您在GroupID
中看到的那样,我有FirstDataFrame
个主题,这些主题不能全部分配给GroupID
中的同一OtherID
。每个SecondDataFrame
中的主题也有所不同。
要使事情变得更加复杂,GroupID
年龄列没有截止值,因此如果所有OtherID
和非OtherID
都为 在列Age11
至Age5
或 Age10
至Age12
之间的所有非零计数。
我已清理数据,以使Age17
中的每个AgeX
计数至少包含{strong> 相同年龄的SecondDataFrame
中的对象。已设置FirstDataFrame
和FirstDataFrame
中的最小和最大年龄值,以便它们完全匹配。
如何确保最大数量的比赛并适当减少计数?我发现了一些与获得最大匹配数有关的问题/答案。但是:
- 他们正在对一个向量与另一个向量进行简单测试,和/或
- 他们并没有减少匹配向量中的计数,而只是测试一个元素是否存在(或不存在),或者一个向量中有多少个值与另一个向量中的值匹配。
我可以使用嵌套的SecondDataFrame
循环,但是我在如何进行频率匹配和减少计数方面陷入困境。我当时以为我需要在for ()
年纪最小的年龄开始比赛,并在GroupID
年内增加年龄,这就是我陷入困境的时候。
编辑:最终的GroupID
如下所示:
FirstDataFrame
但是,FirstDataFrame <- data.frame("GroupID" = c(1902,16),"OtherID" = c(2,6,3)
也将根据概率选择。例如,OtherID
1905年的三个少年也有可能处于GroupID
1或2。
相应地,对于OtherID
中的每个匹配项,匹配的年龄单元将减少1。因此,对于SecondDataFrame
1905年,GroupID
将以计数为结尾:
OtherID
= 82,Count13
= 127和Count16
= 81,这表示与原始计数相比减少了1,因为每个子匹配项都会将可用匹配项减少1。
解决方法
这是一个需要解决的长期而艰巨的问题,我不确定我是否已回答所有问题。
这是我解决此问题的方法,首先通过根据FirstDataFrame
拆分GroupID
并获得一个列表:
split_df <- split(FirstDataFrame,FirstDataFrame$GroupID)
split_df
#$`1902`
# GroupID SubjectID Age
#1 1902 24626 17
#
#$`1905`
# GroupID SubjectID Age
#2 1905 13300 13
#3 1905 14126 16
#4 1905 2619 17
#
#$`1906`
# GroupID SubjectID Age
#5 1906 914 5
#6 1906 872 9
#
#$`1914`
# GroupID SubjectID Age
#7 1914 13325 8
#8 1914 12539 14
# ...
现在,我将集中讨论一种情况,然后使用for循环遍历它。我选择1905,它是列表的第二个元素。首先提取该组的年龄,然后创建一个频率向量(而不是年龄)。我不知道更好的方法,所以这是不雅的解决方案
i = 2
ages <- split_df[[i]]$Age
ages
#[1] 13 16 17
ind_ages <- ages - 4 # "Indexize" ages: Age 5 become 1,6 become 2,...,17 become 13
ind_ages
#[1] 9 12 13
freq <- tabulate(ind_ages,nbins = 13)
freq
#[1] 0 0 0 0 0 0 0 0 1 0 0 1 1
频率向量的长度为13,在第9、12和13位为零,其余为零...这与SecondDataFrame
中的第2至14列匹配。
现在,您可以派生一种向这些孩子随机分配OtherID的方法。一种可能性是使用多项式似然:给定分配给箱的一组概率,从箱9、12和13中获得3个球的机会。
对于SecondDataFrame
中的每一行,我们可以计算每个年龄的比例(并将其用作概率):
props <- apply(SecondDataFrame[,2:14],1,function (x) x/sum(x))
props
# [,1] [,2] [,3] [,4] [,5] [,6]
#Age5 0.00000000 0.0000000 0.0000000 0.1222222 0.14814815 0.14736842
#Age6 0.00000000 0.0000000 0.0000000 0.1333333 0.09876543 0.13684211
#Age7 0.00000000 0.0000000 0.0000000 0.1333333 0.11111111 0.11052632
#Age8 0.00000000 0.0000000 0.0000000 0.1000000 0.13580247 0.13157895
#Age9 0.00000000 0.0000000 0.0000000 0.1333333 0.08641975 0.11842105
#Age10 0.00000000 0.0000000 0.0000000 0.1333333 0.13580247 0.10789474
#Age11 0.05428571 0.0000000 0.0000000 0.1000000 0.09876543 0.11052632
#Age12 0.04000000 0.0000000 0.0000000 0.1444444 0.14814815 0.10263158
#Age13 0.15142857 0.1529412 0.1522936 0.0000000 0.03703704 0.03421053
#Age14 0.19714286 0.1980392 0.2660550 0.0000000 0.00000000 0.00000000
#Age15 0.16857143 0.2235294 0.2348624 0.0000000 0.00000000 0.00000000
#Age16 0.21714286 0.2490196 0.1963303 0.0000000 0.00000000 0.00000000
#Age17 0.17142857 0.1764706 0.1504587 0.0000000 0.00000000 0.00000000
同样,使用apply()
,我们可以计算出三个孩子排成一行的可能性(props
中的注释变为列)。
likelihood <- apply(props,2,function (x) dmultinom(freq,size = sum(freq),prob = x))
likelihood
#[1] 0.03382111 0.04032567 0.02699215 0.00000000 0.00000000 0.00000000
prob_OtherID <- likelihood / sum(likelihood)
prob_OtherID
#[1] 0.3344025 0.3987156 0.2668819 0.0000000 0.0000000 0.0000000
属于OtherID
的孩子的概率为33.4%,2为39.9%……这只是似然的加权平均值。这种计算方式仅在孩子数量少的情况下有效。如果您说一组中有100个孩子,则此代码由于数字问题而中断。
现在使用sample()
为孩子们选择一个OtherID
,更新列表。
chosenID <- sample(SecondDataFrame$OtherID,size = 1,prob = prob_OtherID)
split_df[[i]]$OtherID <- chosenID
最后,转到SecondDataFrame
中的相应行,将年龄频率减去该组孩子的年龄频率:
SecondDataFrame[SecondDataFrame$OtherID == chosenID,2:14] <-
SecondDataFrame[SecondDataFrame$OtherID == chosenID,2:14] - freq
现在将它们放入for循环中,工作就完成了!更多注意事项:在本示例中,i = 4
处的循环中断是因为SecondDataFrame
中没有行同时具有8岁和14岁的孩子。其次,此算法不能保证您能够使用OtherID
为其全部分配,因为随着SecondDataFrame
中频率的降低,您越来越容易遇到{{1 }}。也许您会很幸运地将它们全部填满而没有错误,或者容量可能比主题数大得多,那么您会没事的。否则,您将不得不考虑其他方法来解决此问题。