如何识别组内最常见的值组合？

Question

我有一张表，每一行代表一个学生在一门课程中的注册情况，类似于这个例子，但规模要大得多：

学生	课程
001	PSYC101
001	CHEM102
002	PSYC101
002	SPAN101
002	BIO101
003	BIO101
003	ENG201
003	HIND101
003	CHEM102
004	PSYC101
004	CHEM102
004	HIND101

我想知道学生们最常一起选修哪些课程的组合。我先从两门课程的组合开始，但也可能想看看三门课程的组合。

我完全不知道这个过程叫什么。

我找到了一个类似的例子，使用了`dplyr`包：https://stackoverflow.com/questions/61613192/r-how-to-find-the-most-frequent-combinations 然而，我不认为这正是我想要的。我想要所有可能的两门课程的组合，当一些学生选修了超过两门课程时。例如，对于学生3，他们会有以下组合：

- BIO101 & ENG201 - BIO101 & HIND101 - BIO101 & CHEM102 - ENG201 & HIND101 - ENG201 & CHEM102 - HIND101 & CHEM102

然后，我会找出所有学生中最常见的组合。

- Researcher

---

对于双向绑定，请查看此答案。学生就像沙拉，而课程就是其中的配料。 - undefined

然而，当我运行这段代码时，我收到一个错误消息。请问是什么错误？代码在哪里？请参考[mcve]获取更多信息。 - undefined

Answer 1

一个基本的R方法是使用combn（选择2个元素）来创建每个特定学生课程的组合，然后使用table来查看这些对在整个人群中出现的频率。

我将在下面放置组合代码，然后通过将其分解为更可读/可理解的方式来解释其中的内容。

如果您想查看3个课程选项，请将combn(x$Course, 2)更改为combn(x$Course, 3)以选择三个组合。

table(apply(do.call(cbind, lapply(split(df, df$Student), \(x)
                                  combn(x$Course, 2))), 2, \(x) paste(sort(x), collapse = "_")))

输出

# BIO101_CHEM102   BIO101_ENG201  BIO101_HIND101 CHEM102_HIND101  ENG201_CHEM102  ENG201_HIND101 
#               1               1               1               1               1               1 

# HIND101_CHEM102  PSYC101_BIO101 PSYC101_CHEM102 PSYC101_HIND101 PSYC101_SPAN101  SPAN101_BIO101 
#               1               1               2               1               1               1 

首先，使用split将数据框（df）按照每个学生拆分成一个列表，然后找到课程的组合，再将组合合并并粘贴在一起，最后制作了一个表格。

# Split by student
ll <- split(df, df$Student)

# find combinations of courses
combs_list <- lapply(ll, \(x) combn(unique(x$Course), 2))

# combine it into a matrix
combs_combined <- do.call(cbind, combs_list)

# paste combinations together
apply_combined <- apply(combs_combined, 2, \(x) paste(sort(x), collapse = "_"))

#make a table
table(apply_combined)

请注意，如果您希望将其放入数据框中，只需将表格包装起来即可。

data.frame(tt)

# or to order by frequency:
data.frame(tt)[order(tt, decreasing = TRUE),]

#     apply_combined Freq
# 7  CHEM102_HIND101    2
# 8  CHEM102_PSYC101    2
# 1   BIO101_CHEM102    1
# 2    BIO101_ENG201    1
# 3   BIO101_HIND101    1
# ...

数据

df <- read.table(text = "Student    Course
001 PSYC101
001 CHEM102
002 PSYC101
002 SPAN101
002 BIO101
003 BIO101
003 ENG201
003 HIND101
003 CHEM102
004 PSYC101
004 CHEM102
004 HIND101", header = TRUE)

- jpsmith

Answer 2

你可以过滤掉行数少于感兴趣的组合数 m 的学生，使用 combn() 生成组合，然后进行转置和行排序，展开 tibble，统计结果，最后按降序排序。

library(dplyr)
library(tidyr)

n <- 2

dat %>%
  filter(n() >= n, .by = Student) %>%
  reframe(x = t(combn(Course, n)) %>%
            {matrix(.[order(row(.), .)], ncol = ncol(.), byrow = TRUE)} %>%
            as_tibble(), .by = Student) |>
  unpack(x) |>
  count(across(-Student)) |>
  arrange(-n)

# A tibble: 11 × 3
   V1      V2          n
   <chr>   <chr>   <int>
 1 CHEM102 HIND101     2
 2 CHEM102 PSYC101     2
 3 BIO101  CHEM102     1
 4 BIO101  ENG201      1
 5 BIO101  HIND101     1
 6 BIO101  PSYC101     1
 7 BIO101  SPAN101     1
 8 CHEM102 ENG201      1
 9 ENG201  HIND101     1
10 HIND101 PSYC101     1
11 PSYC101 SPAN101     1

对于 n = 3，你将得到：

# A tibble: 6 × 4
  V1      V2      V3          n
  <chr>   <chr>   <chr>   <int>
1 BIO101  CHEM102 ENG201      1
2 BIO101  CHEM102 HIND101     1
3 BIO101  ENG201  HIND101     1
4 BIO101  PSYC101 SPAN101     1
5 CHEM102 ENG201  HIND101     1
6 CHEM102 HIND101 PSYC101     1

- Ritchie Sacramento

Answer 3

另一种使用`dplyr`和`combn`的方法：

library(dplyr)
df |> 
  arrange(Student, Course) |> 
  reframe(Course_comb = combn(seq_along(Student), 2, function(i) paste(Course[i], collapse = " & ")), .by = Student) |> 
  count(Course_comb, sort = TRUE)

#          Course_comb n
# 1  CHEM102 & PSYC101 2
# 2  CHEM102 & HIND101 2
# 3   BIO101 & PSYC101 1
# 4   BIO101 & SPAN101 1
# 5  PSYC101 & SPAN101 1
# 6   BIO101 & CHEM102 1
# 7    BIO101 & ENG201 1
# 8   BIO101 & HIND101 1
# 9   CHEM102 & ENG201 1
# 10  ENG201 & HIND101 1
# 11 HIND101 & PSYC101 1

- Maël

---

我可以让它运行起来，但结果不是Course_comb，而是每一行都是<named list [1]>。我已经进行了一些搜索，但找不到任何修复这个问题的方法。有任何想法为什么它不显示实际的Course_comb文本？ - undefined

好的。我进行了编辑，以避免这个问题，即在combn中使用了list。 - undefined

谢谢！这个选项对于3和4种组合效果很好。 - undefined

Answer 4

我更喜欢以图形为主的方法...

df <- scale(table(df[,2], df[,1]))
# calculate distance between Courses
d <- dist(df, method = "euclidean")
# Hierarchical clustering 
clustered <- hclust(d, method = "complete" )
# Plot dendrogram
plot(clustered)

# load sample data
df <- read.table(text = "Student    Course
001 PSYC101
001 CHEM102
002 PSYC101
002 SPAN101
002 BIO101
003 BIO101
003 ENG201
003 HIND101
003 CHEM102
004 PSYC101
004 CHEM102
004 HIND101", header = TRUE)

- Wimpel