比较两个不同列中的字符串，其中每个单元格都包含重复的值，并在R中对其进行计数

我正在使用一个数据框，它有两列，其中包含“单词”（字母-数字），例如：

df <- data.frame(A = c("V01, G30, V01, M05, M05, M05, N98", "J56, K45, L78, J56"),
                 B = c("J45, H67, M05, N54, M05, J76, V01", "S54, F32, K45")) 

df一个选项是

library(tidyverse)
f1 <-   function(dat, colNm) {
          dat %>%
              select(colNm) %>%
              rownames_to_column('rn') %>% 
              separate_rows(!! rlang::sym(colNm)) %>% 
              add_count(rn, !! rlang::sym(colNm)) %>%
              unite(colN, !! rlang::sym(colNm), n, sep="*") %>% 
              group_by(rn) %>% 
              summarise_at(1, ~ toString(unique(.)))  %>%
              select(-rn)


}
df1 <- df %>%  
          mutate_all(str_extract_all, "\\w+") %>% 
          pmap_chr(~ keep(.y,  .y %in% intersect(.x, .y)) %>% 
                    toString) %>%
          mutate(df, C = .)
map_dfc(names(df1), f1, dat = df1) %>%
    rename_all(~ str_c("col", 1:3)) %>%
    bind_cols(df, .)
#                               A                                 B                       col1                                     col2
#1 V01, G30, V01, M05, M05, M05, N98 J45, H67, M05, N54, M05, J76, V01 V01*2, G30*1, M05*3, N98*1 J45*1, H67*1, M05*2, N54*1, J76*1, V01*1
#2                J56, K45, L78, J56                     S54, F32, K45        J56*2, K45*1, L78*1                      S54*1, F32*1, K45*1
#          col3
#1 M05*2, V01*1
#2        K45*1

库（tidyverse）
f1%
选择（colNm）%>%
行名到列（'rn'）%>%
单独的行（！！rlang:：sym（colNm））%>%
添加计数（rn，！！rlang:：sym（colNm））%>%
联合（colN，！！rlang:：sym（colNm），n，sep=“*”）%>%
分组依据（rn）%>%
将_总结在（1，~toString（唯一的（.））%>%
选择（-rn）
}
df1%
突变所有（str提取所有“\\w+”）%>%
pmap_chr（~keep（.y，.y%在%intersect（.x，.y））中%>%
toString）%%>%
变异（df，C=）
map_dfc（名称（df1），f1，dat=df1）%>%
重命名所有（~str_c（“col”，1:3））%>%
绑定cols（df，.）
#A B col1 col2
#1 V01、G30、V01、M05、M05、M05、N98 J45、H67、M05、N54、M05、J76、V01 V01*2、G30*1、M05*3、N98*1 J45*1、H67*1、M05*2、N54*1、J76*1、V01*1
#2 J56，K45，L78，J56 S54，F32，K45 J56*2，K45*1，L78*1 S54*1，F32*1，K45*1
#可乐
#1 M05*2，V01*1
#2K45*1
一个选项是

library(tidyverse)
f1 <-   function(dat, colNm) {
          dat %>%
              select(colNm) %>%
              rownames_to_column('rn') %>% 
              separate_rows(!! rlang::sym(colNm)) %>% 
              add_count(rn, !! rlang::sym(colNm)) %>%
              unite(colN, !! rlang::sym(colNm), n, sep="*") %>% 
              group_by(rn) %>% 
              summarise_at(1, ~ toString(unique(.)))  %>%
              select(-rn)


}
df1 <- df %>%  
          mutate_all(str_extract_all, "\\w+") %>% 
          pmap_chr(~ keep(.y,  .y %in% intersect(.x, .y)) %>% 
                    toString) %>%
          mutate(df, C = .)
map_dfc(names(df1), f1, dat = df1) %>%
    rename_all(~ str_c("col", 1:3)) %>%
    bind_cols(df, .)
#                               A                                 B                       col1                                     col2
#1 V01, G30, V01, M05, M05, M05, N98 J45, H67, M05, N54, M05, J76, V01 V01*2, G30*1, M05*3, N98*1 J45*1, H67*1, M05*2, N54*1, J76*1, V01*1
#2                J56, K45, L78, J56                     S54, F32, K45        J56*2, K45*1, L78*1                      S54*1, F32*1, K45*1
#          col3
#1 M05*2, V01*1
#2        K45*1

库（tidyverse）
f1%
选择（colNm）%>%
行名到列（'rn'）%>%
单独的行（！！rlang:：sym（colNm））%>%
添加计数（rn，！！rlang:：sym（colNm））%>%
联合（colN，！！rlang:：sym（colNm），n，sep=“*”）%>%
分组依据（rn）%>%
将_总结在（1，~toString（唯一的（.））%>%
选择（-rn）
}
df1%
突变所有（str提取所有“\\w+”）%>%
pmap_chr（~keep（.y，.y%在%intersect（.x，.y））中%>%
toString）%%>%
变异（df，C=）
map_dfc（名称（df1），f1，dat=df1）%>%
重命名所有（~str_c（“col”，1:3））%>%
绑定cols（df，.）
#A B col1 col2
#1 V01、G30、V01、M05、M05、M05、N98 J45、H67、M05、N54、M05、J76、V01 V01*2、G30*1、M05*3、N98*1 J45*1、H67*1、M05*2、N54*1、J76*1、V01*1
#2 J56，K45，L78，J56 S54，F32，K45 J56*2，K45*1，L78*1 S54*1，F32*1，K45*1
#可乐
#1 M05*2，V01*1
#2K45*1
您可以将
sapply
和
strsplit
组合使用，如下所示：

myfun <- function(x){
  x2 <- sort(table(x), decreasing = T)
  paste(names(x2), x2, sep = "*", collapse = ", ")
}

df$col1 <- sapply(strsplit(df$A, split = ", "), myfun)
df$col2 <- sapply(strsplit(df$B, split = ", "), myfun)
df$col3 <- sapply(strsplit(paste(df$A, df$B, sep = ", "), split = ", "), myfun)

您可以这样组合使用
sapply
和
strsplit
：

myfun <- function(x){
  x2 <- sort(table(x), decreasing = T)
  paste(names(x2), x2, sep = "*", collapse = ", ")
}

df$col1 <- sapply(strsplit(df$A, split = ", "), myfun)
df$col2 <- sapply(strsplit(df$B, split = ", "), myfun)
df$col3 <- sapply(strsplit(paste(df$A, df$B, sep = ", "), split = ", "), myfun)

我知道它与您的输出结构不完全相同，但出于数据分析的目的，我会重新考虑对其进行重塑。如果每个唯一的单词是另一个数据框中的一行，则更容易看到您想要的内容（“每个单词在A列中出现了多少次？”）

库（dplyr）
df%
未列出（）
字数B%
strsplit（“，”）%>%
未列出（）
TIBLE（单词=唯一（c（单词A，单词B）））%>%
分组依据（字）%>%
总结（n_A=总和（word==单词A），
n_B=总和（word==words_B），
n_AB=sum（word==intersect（words_A，words_B）），
n_AB_2=最小值（n_A，n_B））
#一个tibble:13x5
单词n_A n_B n_AB n_AB_2
1 F320 1 0 0
2 G30 1 0 0 0 0
3 H67 0 1 0 0
4J450100
5J56200
6 J76 01 0 0
7 K45 1
8L781000
9 M05 3 2 1 2
10 N54 0 1 0 0
11 N98 1 0 0 0
12 S54 0 1 0 0
13 V01 2 1 1

请注意，
intersect（）
（在数学定义中）删除重复项。当你想考虑重复的时候，我也定义了<代码> nyabab2= min（nsia，nyb）< /c> >列，这是个诀窍。
 我知道它不是你的输出的完全相同的结构，但是我会重新考虑它的修改以进行数据分析。如果每个唯一的单词是另一个数据框中的一行，则更容易看到您想要的内容（“每个单词在A列中出现了多少次？”）

库（dplyr）
df%
未列出（）
字数B%
strsplit（“，”）%>%
未列出（）
TIBLE（单词=唯一（c（单词A，单词B）））%>%
分组依据（字）%>%
总结（n_A=总和（word==单词A），
n_B=总和（word==words_B），
n_AB=sum（word==intersect（words_A，words_B）），
n_AB_2=最小值（n_A，n_B））
#一个tibble:13x5
单词n_A n_B n_AB n_AB_2
1 F320 1 0 0
2 G30 1 0 0 0 0
3 H67 0 1 0 0
4J450100
5J56200
6 J76 01 0 0
7 K45 1
8L781000
9 M05 3 2 1 2
10 N54 0 1 0 0
11 N98 1 0 0 0
12 S54 0 1 0 0
13 V01 2 1 1

请注意，
intersect（）
（在数学定义中）删除重复项。当你想考虑重复的时候，我也定义了<代码> nyaba2= min（nsia，nyb）< /c> >列，我认为括号不正确，因为第三列现在对同一个单词的A列和B列的出现次数求和，而不是给出相交次数。我认为第三个“col3”类似于
Map（函数（x，y）x[x%in%intersect（x，y）]，strsplit（as.character（df$B），“，”），strsplit（as.character（df$A），“，”）
我认为括号不正确，因为第三列现在将同一单词的A列和B列中出现的次数相加，而不是给出相交的次数。我认为第三个“col3”应该是这样的