※ 引述《windguide (夜很深)》之铭言： : ------------------------------------------------------------------------ : [软体程式类别]: : 我尽量描述我的资料格式，希望大家可以了解 : Old Data New Data : name Description name Description : Tom John happy hungry energy Kate greedy,lazy,evil : Mary pretty cute funny Tom happy,kind : Kate greedy lazy John hungry,energy,angry,crazy : Cindy sunny Mary pretty,cute : Jack nice,stupid : Alan funny,shy,stupid 谢谢你提供的资料范例 : 两栏之间是以TAB作分隔 : 在name栏中 旧资料与新资料的差异是在同一列中，旧资料会同时有两个名字 : 新资料则是拆开成两列，且新资料会有多的人名 : 在 Description栏中，旧资料是以空白作分隔，新资料是逗点；且同一人名新资料 : 会多或少一些描述 : 现在我的目标是产生一个新档案 : 以新的资料人名为主。旧资料有，新资料没有的人名，不要。 : 以新资料的人名，去比较新与旧的描述，只要新的描述。旧的有，新的没有也不要 : 并且以空白作分隔 : 以上述例子，结果会变成 : name Discription : Kate evil : Tom kind : John angry crazy : Mary : Jack nice stupid : Alan funny shy stupid : 我现在的想法是说 把新旧资料设为matrix : 将先将旧资料与新资料作match，找出旧资料的index， : 再依此index对相对应的Discription作处理 : match(new[,1],old[,1]) : 但是此时会产生一个问题，就是在旧资料的 Tom John 这笔资料 : 无法被新资料match到，所以我猜match是精准比对? : 有无办法变成部分比对或模糊比对?或者有更好的方式 : 再来就是Discription的部分，我是想找到index後，将相对应的新旧资料 : 再做一次比对，然後取代回新资料。可是这种类似取差集的的过程，有没有 : 适当的函式可以操作。另外，我也不太懂要如何将资料matrix中的元素 : 以逗号和空白拆开，让我可以做比对 : 不知各位有没有其他的想法，文长抱歉 : [程式范例]: : 虽然张贴程式很可怕，但基本上有些程式还是要张贴才能解决 : ----------------------------------------------------------------------------- 考虑到你的资料的特性： - 基本上会大量使用name(key) --> description(value)的操作 - description项目的栏位长度不定 我会建议用以下的R的资料结构来处理这个问题 old_data <- list() old_data[["Kate"]] <- c("greedy","lazy") ... old_data[["Mary"]] <- c("pretty", "cute", "funny") new_data <- list() new_data[["Kate"]] <- c("greedy", "lazy", "evil") ... new_data[["Mary"]] <- c("pretty", "cute") 当转换成这样的资料结构之後，你可以使用 setdiff(names(new_data), names(old_data)) 来看new_data中多出来的人名 而个别人名的比对可以用 setdiff( new_data[["Kate"]], old_data[["Kate"]] ) 来看new_data比old_data多的 属性 所以问题只剩下如何把你现有的资料转换成上述的资料结构了 假设你用read.csv或是其他函数把你的原始资料读入R old_data.raw <- read.csv( old_data.filename, stringsAsFactors = FALSE) 如果没有其他问题(如格式、encoding...) 你应该会得到一个data.frame old_data.raw 然後一个row一个row的把资料塞到old_data中 name <- strsplit(old_data.raw$name[i], " ", fixed=TRUE) for(i in 1:nrow(old_data.raw)) { for(j in 1:length(name[[i]]) { old_data[[name[[i]][j]]] <- strsplit(old_data.raw$Discription[i], " ", fixed=TRUE)[[1]] } } new_data的处理方式类似，只是要替换split character 以上方式假设你没有效能问题(例如资料过大，导致无法读入记忆体...) 另外如果你要考虑不完全精确的比对，可以看看pmatch这个函数 请参考 -- 欢迎加入 Taiwan R User Group : http://www.facebook.com/Tw.R.User 我们每周一都有在「政大公企中心(台北市金华街187号)西楼WB05」 举办Machine Learning / Data Mining Monday: 报名 http://www.meetup.com/Taiwan-R/ 聚会影片 https://www.youtube.com/user/TWuseRGroup --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 118.231.66.185 ※ 编辑: Wush978 来自: 118.231.66.185 (03/25 18:53)