R 如何在不同的列中找到相似字符串的百分比

我有一个数据如下

df<-structure(list(V1 = structure(c(5L, 1L, 7L, 3L, 2L, 4L, 6L, 6L
), .Label = c("CPSIAAAIAAVNALHGR", "DLNYCFSGMSDHR", "FPEHELIVDPQR", 
"IADPDAVKPDDWDEDAPSK", "LWADHGVQACFGR", "WGEAGAEYVVESTGVFTTMEK", 
"YYVTIIDAPGHR"), class = "factor"), V2 = structure(c(5L, 2L, 
7L, 3L, 4L, 6L, 1L, 1L), .Label = c("", "CPSIAAAIAAVNALHGR", 
"GCITIIGGGDTATCCAK", "HVGPGVLSMANAGPNTNGSQFFICTIK", "LLELGPKPEVAQQTR", 
"MVCCSAWSEDHPICNLFTCGFDR", "YYVTIIDAPGHR"), class = "factor"), 
    V3 = structure(c(4L, 3L, 2L, 4L, 3L, 1L, 1L, 1L), .Label = c("", 
    "AVCMLSNTTAIAEAWAR", "DLNYCFSGMSDHR", "FPEHELIVDPQR"), class = "factor")), .Names = c("V1", 
"V2", "V3"), class = "data.frame", row.names = c(NA, -8L))

这意味着第一个字符串

cpsiaaavnalhgr

在第一列和第二列中重复<代码>YYVTIIDAPGHR在第一列和第二列中重复。等等

然后给我一个百分比，第一列有8行，在这8行中，它与第2列共享2行，所以它有2/8*100=25%的共享 第一股与第三股3/8*100=37% 第2列与第3列的份额为0%

---

etc etc

我真的觉得在删除每行的重复项（即考虑匹配的唯一字符串）后，公共Sting的数量更有用。所以，我正在更新我的解决方案，并添加了更多的代码以获得维恩图

library(dplyr)
library(tidyr)
library(gplots)

# reshape dataset
df_reshaped = df %>% 
  gather(column, string) %>% 
  filter(string != '') %>%
  distinct()

# dataset that shows all strings and in which columns they appear
df_result1 = df_reshaped %>% 
  group_by(string) %>% 
  summarise(columns = paste(unique(column), collapse=","))

df_result1


# # A tibble: 12 x 2
#                        string columns
#                         <chr>   <chr>
# 1           AVCMLSNTTAIAEAWAR      V3
# 2           CPSIAAAIAAVNALHGR   V1,V2
# 3               DLNYCFSGMSDHR   V1,V3
# 4                FPEHELIVDPQR   V1,V3
# 5           GCITIIGGGDTATCCAK      V2
# 6 HVGPGVLSMANAGPNTNGSQFFICTIK      V2
# 7         IADPDAVKPDDWDEDAPSK      V1
# 8             LLELGPKPEVAQQTR      V2
# 9               LWADHGVQACFGR      V1
# 10     MVCCSAWSEDHPICNLFTCGFDR     V2
# 11       WGEAGAEYVVESTGVFTTMEK     V1
# 12                YYVTIIDAPGHR  V1,V2


# function to get number of common rows
f1 = function(v1, v2) {
  x1 = (df_reshaped %>% filter(column == v1))$string
  x2 = (df_reshaped %>% filter(column == v2))$string
  length(x2[x2 %in% x1]) }
f1 = Vectorize(f1)


# function to get number of rows of each column
f2 = function(v) {df_reshaped %>% filter(column == v) %>% nrow}
f2 = Vectorize(f2)

# dataset that shows overlap of columns (number of common strings)
expand.grid(unique(df_reshaped$column), unique(df_reshaped$column)) %>%
  filter(Var1 != Var2) %>%
  mutate(NumShared = f1(Var1, Var2),
         NumRows = f2(Var1),
         Prc = NumShared/NumRows) %>%
  arrange(Var1, Var2)

#   Var1 Var2 NumShared NumRows       Prc
# 1   V1   V2         2       7 0.2857143
# 2   V1   V3         2       7 0.2857143
# 3   V2   V1         2       6 0.3333333
# 4   V2   V3         0       6 0.0000000
# 5   V3   V1         2       3 0.6666667
# 6   V3   V2         0       3 0.0000000


# reshape dataset and create a Venn diagram
df_reshaped %>%
  mutate(exist = TRUE) %>%
  spread(column, exist, fill=FALSE) %>%
  select(-string) %>%
  venn()

库（dplyr）
图书馆（tidyr）
图书馆（gplots）
#重塑数据集
df_整形=df%>%
聚集（列、字符串）%%>%
过滤器（字符串！=''）%>%
不同的（）
#显示所有字符串及其所在列的数据集
df_result1=df_整形%>%
分组依据（字符串）%>%
摘要（列=粘贴（唯一（列），折叠=“，”）
df_结果1
##tibble:12 x 2
#字符串列
#                            
#1 AVCMLSNTTAIAWAR V3
#2 CPSIAAAVNALHGR V1、V2
#3 DLNYCFSGMSDHR V1、V3
#4 FPEHELIVDPQR V1、V3
#5 GCITIGGGDTATCCAK V2
#6 HVGPGVLSMANAGPTNGSQFFICTIK V2
#7 IAPDAVKPDDWDEDAPSK V1
#8 LLELGPKPPEVAQQTR V2
#9 LWADHGVQACFGR V1
#10 MVCCSAWSEDHPICNLFTCGFDR V2
#11 WGEAGAEYVESTGVFTTMEK V1
#12 YYVTIIDAPGHR V1，V2
#函数获取公共行数
f1=功能（v1，v2）{
x1=（df_重塑%>%过滤器（列==v1））$string
x2=（df_重塑%>%过滤器（列==v2））$string
长度（x2[x2%在%x1中]）
f1=矢量化（f1）
#函数获取每列的行数
f2=函数（v）{df_整形%>%filter（column==v）%%>%nrow}
f2=矢量化（f2）
#显示列重叠（公共字符串数）的数据集
expand.grid（唯一（df_整形$column），唯一（df_整形$column））%>%
过滤器（Var1！=Var2）%>%
突变（NumShared=f1（Var1，Var2），
NumRows=f2（Var1），
Prc=NumShared/NumRows）%>%
排列（Var1，Var2）
#Var1 Var2 NumShared NumRows Prc
#1 V1 V2 7 0.2857143
#2 V1 V3 2 7 0.2857143
#3 V2 V1 26 0.3333333
#4 V2 V3 0 6 0.0000000
#5 V3 V1 2 0.66667
#6 V3 V2 0 3 0.0000000
#重塑数据集并创建维恩图
df_整形%>%
变异（存在=真）%>%
排列（列，存在，填充=假）%>%
选择（-string）%%>%
文恩（）

维恩图如下所示：

---

显然，此图中显示的数字之和应该等于您在表

df_result1

中获得的唯一字符串的数量。在我们的例子中是12。

根据您发布的数据集，第1列和第3列共享4行，而不是3行。他们共享FPEHILIVDPQR两次，DLNYCFSGMSDHR和DLNYCFSGMSDHR。同样，在您的第一个期望输出中，您有两次“dlnycfsgsgmdhr 1,3”，并且有重复项是不好的。我试图在下面的解决方案中解决这些问题。您的百分比不清楚。请按预期更新output@Sotos谢谢你的留言。假设我们在第一列中有8个字符串。其中2个与第二列共享，因此A列与B列共享的百分比为2/8*100。现在明白了吗？我认为理解在一列中多次出现的字符串会发生什么是很重要的。您是否计划使用匹配的行数或唯一字符串数？例如，第V3列中的DLNYCFSGMSDHR应算作与第1列的一个或两个匹配项？@AntoniosK replicate应算作两个匹配项（但请告诉我您是否也可以给我一个唯一的解决方案）如果我们只有3列，如果我们有许多列，而它们的名称不是V呢？您必须以类似的方式将

gather

命令中的

V1:V3

替换为列的名称。其余的应该与代码保持相同，代码将识别您有多少列、使用哪些名称以及检查共享行的列对数。例如，我可以执行此c（col1、col2、col3、col10、col50）？还有，能不能帮我画一个情节？我喜欢并接受您的回答是的，您可以在

聚集

命令中使用类似的内容。您可以执行

收集（列、字符串、col1、col2、col3、col10、col50）

。这样，如果您有任何其他列，它们将不会在这里被考虑。你想创造什么样的情节？我认为你不需要经历那么多麻烦。类似于

df%%>%gather（var，string）%%>%filter（string！=''）%%>%groupby（string）%%>%summary（common=toString（unique（var））

就足够了

library(dplyr)
library(tidyr)
library(gplots)

# reshape dataset
df_reshaped = df %>% 
  gather(column, string) %>% 
  filter(string != '') %>%
  distinct()

# dataset that shows all strings and in which columns they appear
df_result1 = df_reshaped %>% 
  group_by(string) %>% 
  summarise(columns = paste(unique(column), collapse=","))

df_result1


# # A tibble: 12 x 2
#                        string columns
#                         <chr>   <chr>
# 1           AVCMLSNTTAIAEAWAR      V3
# 2           CPSIAAAIAAVNALHGR   V1,V2
# 3               DLNYCFSGMSDHR   V1,V3
# 4                FPEHELIVDPQR   V1,V3
# 5           GCITIIGGGDTATCCAK      V2
# 6 HVGPGVLSMANAGPNTNGSQFFICTIK      V2
# 7         IADPDAVKPDDWDEDAPSK      V1
# 8             LLELGPKPEVAQQTR      V2
# 9               LWADHGVQACFGR      V1
# 10     MVCCSAWSEDHPICNLFTCGFDR     V2
# 11       WGEAGAEYVVESTGVFTTMEK     V1
# 12                YYVTIIDAPGHR  V1,V2


# function to get number of common rows
f1 = function(v1, v2) {
  x1 = (df_reshaped %>% filter(column == v1))$string
  x2 = (df_reshaped %>% filter(column == v2))$string
  length(x2[x2 %in% x1]) }
f1 = Vectorize(f1)


# function to get number of rows of each column
f2 = function(v) {df_reshaped %>% filter(column == v) %>% nrow}
f2 = Vectorize(f2)

# dataset that shows overlap of columns (number of common strings)
expand.grid(unique(df_reshaped$column), unique(df_reshaped$column)) %>%
  filter(Var1 != Var2) %>%
  mutate(NumShared = f1(Var1, Var2),
         NumRows = f2(Var1),
         Prc = NumShared/NumRows) %>%
  arrange(Var1, Var2)

#   Var1 Var2 NumShared NumRows       Prc
# 1   V1   V2         2       7 0.2857143
# 2   V1   V3         2       7 0.2857143
# 3   V2   V1         2       6 0.3333333
# 4   V2   V3         0       6 0.0000000
# 5   V3   V1         2       3 0.6666667
# 6   V3   V2         0       3 0.0000000


# reshape dataset and create a Venn diagram
df_reshaped %>%
  mutate(exist = TRUE) %>%
  spread(column, exist, fill=FALSE) %>%
  select(-string) %>%
  venn()