在R中按模式对数据框进行分组

Question

我有一个包含上百行的R数据框，如下所示：

word        Freq
seed         4
seeds        3
contract     2
contracting  2
river        1

我希望可以按照模式对数据进行分组，比如种子+seeds...看起来像这样：

word     Freq
seed      7
contract  4
river     1

- Samuel Shamiri

---

我不确定在SO上是否有一篇文章可以满足你的所有需求，但是有几篇文章可以组合起来解决你的问题。例如，查看这篇关于pattern-matching和这篇关于summary function的文章。此外，包括可重现的示例会提高你的文章质量。目前你的问题比较广泛。 - Richard Erickson

Answer 1

这里可能还有另一种方法。在SnowballC包中，有一个可以清理单词并获取单词词干的函数（即wordStem()）。使用它，您可以跳过字符串操作。完成这个过程后，您只需要获取单词频率总和。

library(SnowballC)
library(dplyr)

mydf <- read.table(text = "word        Freq
seed         4
seeds        3
contract     2
contracting  2
river        1", header = T)

mutate(mydf, word = wordStem(word)) %>%
group_by(word) %>%
summarise(total = sum(Freq))

#      word total
#     (chr) (int)
#1 contract     4
#2    river     1
#3     seed     7

- jazzurro

---

我必须说，“wordStem（）”非常牛逼。 - Rich Scriven

@RichardScriven 嘿嘿，是的，确实如此！ - jazzurro

Answer 2

一种选择是通过提取基于“word”中最小字符数量的子字符串来创建分组变量“gr”，再用“word”执行一次此操作，以便我们可以获取每组单词的子字符串，然后按“word”的“Freq”进行求和。

library(dplyr)
 df1 %>% 
    group_by(gr= substr(word, 1, min(nchar(word)))) %>%
    group_by(word= substr(word, 1, min(nchar(word)))) %>%
    summarise(Freq= sum(Freq)) 
    word  Freq
#      (chr) (int)
#1 contract     4
#2    river     1
#3     seed     7

- akrun

Answer 3

使用adist尝试匹配这些术语。

dat$grp <- seq(nrow(dat))

# generate a matrix comparing the vector of words to themselves
tmp <- adist(dat$word, dat$word, partial=TRUE)
diag(tmp) <- Inf
dat$grp[col(tmp)[tmp==0]] <- row(tmp)[tmp==0]

final <- aggregate(Freq ~ grp, data=dat, sum)
final$word <- dat$word[match(final$grp, dat$grp)]

#  grp Freq     word
#1   1    7     seed
#2   3    4 contract
#3   5    1    river

使用的数据：

dat <- data.frame(word=c("seed","seeds","contract","contracting","river"),Freq=c(4,3,2,2,1))

- thelatemail

Answer 4

可以使用交叉连接(Cross-Join)方法，这比上述方法稍微更安全一些。

library(dplyr)
library(stringi)

df %>%
  merge(df %>% select(short_word = word) ) %>%
  filter(short_word %>%
           stri_detect_regex(word, .) ) %>%
  group_by(word) %>%
  slice(short_word %>% stri_length %>% which.min) %>%
  group_by(short_word) %>%
  summarise(Freq= sum(Freq)) 

- bramtayl

---

是的，我看过了，但是有很多函数需要正确使用。 - akrun

我也没有得到预期的输出。 - Samuel Shamiri