独特的组合频率

Question

我有一个10列的数据集.第一列是唯一标识符.其他9列是相关属性.现在,让我们说它们是整数.如果需要,可以轻松地将数据转换为键值.

例如:

id|attr1|attr2|attr3|...
a |  2  |  5  |  7  |...
b |  3  |  1  |null |...
c |  2  |null |null |...
d |  1  |  2  |  5  |...
e |  2  |  1  |  3  |...

我基本上寻找任何长度的最频繁的组合与至少一对.所以我的输出将是:

unq   | frequency
1,2   | 2
1,3   | 2
1,5   | 1
2,3   | 1
2,5   | 2
2,7   | 1
1,2,3 | 1
1,2,5 | 1
2,5,7 | 1

(手动完成 - 所以希望没有错误) - 配对顺序无关紧要. 2,5,7 = 5,2,7 = 7,5,2 etc.

有什么想法吗？我对不同的工具持开放态度.我可以访问R,excel,sql server,mysql等.

Excel 是首选但不是必需的!

Answer 1

这是R中的解决方案:

重新创建数据

x <- data.frame(
    id = letters[1:5],
    attr1 = c(2,3,2,1,2),
    attr2 = c(5,1,NA,2,1),
    attr3 = c(7,NA,NA,5,3))
x

  id attr1 attr2 attr3
1  a     2     5     7
2  b     3     1    NA
3  c     2    NA    NA
4  d     1     2     5
5  e     2     1     3

创建一个列出所有组合的函数

make_combinations <- function(data, size){
  t1 <- apply(data[, -1], 1, function(data)unname(sort(data)))
  t2 <- lapply(t1, function(xt){if(length(xt)>=size){combn(xt, size)}})
  t3 <- sapply(t2[!is.na(t2)], 
      function(chunk){if(!is.null(chunk))apply(chunk, 2, function(x)paste(x, collapse=","))})
  t4 <- unlist(t3)
  t4
}

创建第二个函数来计算组合

count_combinations <- function(data, nn=2:3){
  tmp <- unlist(lapply(nn, function(n)make_combinations(data, n)))
  sort(table(tmp), decreasing=TRUE)
}  

结果:

count_combinations(x, 2:3)


  1,2   1,3   2,5 1,2,3 1,2,5   1,5   2,3 2,5,7   2,7   5,7 
    2     2     2     1     1     1     1     1     1     1