※ 引述《windguide (夜很深)》之銘言： : ------------------------------------------------------------------------ : [軟體程式類別]: : 我盡量描述我的資料格式，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 謝謝你提供的資料範例 : 兩欄之間是以TAB作分隔 : 在name欄中 舊資料與新資料的差異是在同一列中，舊資料會同時有兩個名字 : 新資料則是拆開成兩列，且新資料會有多的人名 : 在 Description欄中，舊資料是以空白作分隔，新資料是逗點；且同一人名新資料 : 會多或少一些描述 : 現在我的目標是產生一個新檔案 : 以新的資料人名為主。舊資料有，新資料沒有的人名，不要。 : 以新資料的人名，去比較新與舊的描述，只要新的描述。舊的有，新的沒有也不要 : 並且以空白作分隔 : 以上述例子，結果會變成 : name Discription : Kate evil : Tom kind : John angry crazy : Mary : Jack nice stupid : Alan funny shy stupid : 我現在的想法是說 把新舊資料設為matrix : 將先將舊資料與新資料作match，找出舊資料的index， : 再依此index對相對應的Discription作處理 : match(new[,1],old[,1]) : 但是此時會產生一個問題，就是在舊資料的 Tom John 這筆資料 : 無法被新資料match到，所以我猜match是精準比對? : 有無辦法變成部分比對或模糊比對?或者有更好的方式 : 再來就是Discription的部分，我是想找到index後，將相對應的新舊資料 : 再做一次比對，然後取代回新資料。可是這種類似取差集的的過程，有沒有 : 適當的函式可以操作。另外，我也不太懂要如何將資料matrix中的元素 : 以逗號和空白拆開，讓我可以做比對 : 不知各位有沒有其他的想法，文長抱歉 : [程式範例]: : 雖然張貼程式很可怕，但基本上有些程式還是要張貼才能解決 : ----------------------------------------------------------------------------- 考慮到你的資料的特性： - 基本上會大量使用name(key) --> description(value)的操作 - description項目的欄位長度不定 我會建議用以下的R的資料結構來處理這個問題 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") 當轉換成這樣的資料結構之後，你可以使用 setdiff(names(new_data), names(old_data)) 來看new_data中多出來的人名 而個別人名的比對可以用 setdiff( new_data[["Kate"]], old_data[["Kate"]] ) 來看new_data比old_data多的 屬性 所以問題只剩下如何把你現有的資料轉換成上述的資料結構了 假設你用read.csv或是其他函數把你的原始資料讀入R old_data.raw <- read.csv( old_data.filename, stringsAsFactors = FALSE) 如果沒有其他問題(如格式、encoding...) 你應該會得到一個data.frame old_data.raw 然後一個row一個row的把資料塞到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的處理方式類似，只是要替換split character 以上方式假設你沒有效能問題(例如資料過大，導致無法讀入記憶體...) 另外如果你要考慮不完全精確的比對，可以看看pmatch這個函數 請參考 -- 歡迎加入 Taiwan R User Group : http://www.facebook.com/Tw.R.User 我們每週一都有在「政大公企中心(台北市金華街187號)西樓WB05」 舉辦Machine Learning / Data Mining Monday: 報名 http://www.meetup.com/Taiwan-R/ 聚會影片 https://www.youtube.com/user/TWuseRGroup --

※ 發信站: 批踢踢實業坊(ptt.cc) ◆ From: 118.231.66.185 ※ 編輯: Wush978 來自: 118.231.66.185 (03/25 18:53)