概率链接 R 后去重

Question

我刚刚对两个数据集进行了概率链接。名为"data"的输出数据集包含来自两个原始数据集(ID_A(和另一个ID_B的标识号，链接分数为"match_score"。

ID_A<-c('123','124','125','125','126','127','127','128','129')
ID_B<-c('777','778','787','799','762','762','777','999','781')
Match_score<-c(28.1,15.6,19.7,18.9,36.1,55.1,28.7,19.5,18.2)
data<-data.frame(ID_A,ID_B,Match_score)

ID_A和ID_B有许多组合。我只想选择要配对的顶部链接，然后从选择过程中删除它们以进行进一步的链接。理想的输出是...

ID_A     ID_B     Match_score 
127       762       55.1
123       777       28.1
125       787       19.7
128       999       19.5
129       781       18.2
124       778       15.6

ID_A：由于ID_B(762(，126不匹配，match_score另一个ID_A(127(更高。

ID_B：799 不匹配，因为 ID_A(125( 与 (787( 的match_score更大

任何帮助将不胜感激！

我在 SAS 中解决了我的问题，但是我很难转换为 R。

proc sort data=one;
by descending match_score ID_A ID_B;
run;
data want;
if _n_=1 then do;
dcl hash ha();
ha.definekey('ID_A');
ha.definedone();
dcl hash hb();
hb.definekey('ID_B');
hb.definedone();
end;
set one;
if ha.check()*hb.check() then do;
output;
ha.add();
hb.add();
end;
run;

Answer 1

我试图遵循你的逻辑。即使下面的代码看起来有点混乱，我认为这是使用base R的一种解决方案。

map_A <- data[duplicated(data$ID_A),]$ID_A
for(i in map_A) {
temp <- data[data$ID_A== i,]
index <- row.names(temp[which.min(temp$Match_score),])
data <- data[row.names(data)!= index,]
}
map_B <-data[duplicated(data$ID_B),]$ID_B
for(i in map_B) {
temp <- data[data$ID_B== i,]
index <- row.names(temp[which.min(temp$Match_score),])
data <- data[row.names(data)!= index,]
}
data[order(-data$Match_score),]

给

ID_A ID_B Match_score
127  762        55.1
123  777        28.1
125  787        19.7
128  999        19.5
129  781        18.2
124  778        15.6