我的数据集如下:
Product_1 Product_2
A B
A A
A C
C D
B C
E E
Z Z
该表所说的是,产品A实际上是产品B,然后产品A当然是产品A,产品A也与产品C相同,但考虑到产品C是最终产品A中的产品D也与产品D相同。
我需要在此表中添加一列,将所有相同的产品分组如下:
Product_1 Product_2 Group
A B 1
A A 1
A C 1
C D 1
B C 1
E E 2
Z Z 3
我正在使用 R,因此我正在考虑将递归 CTE 与包 sqldf 一起使用。这是大数据,所以使用矩阵来解决问题会把我推到我没有的 1.3 TB 以上。有谁知道该怎么做?
这种关系是可交换的,因此b
计算两个方向的关系以使以下查询更简单。
closure
是递归CTE,并计算传递闭包,即等效积的所有可能组合。
ec
计算等价类,即对于每个产品,它计算同一类中最小的产品名称,例如:
A|一个B|一个C|AD|AE|EZ|Z
g
通过计算有多少个较小的非重复class
值来计算组号:
A|1B|1C|1D|1E|2Z|3
WITH RECURSIVE b AS (
SELECT product_1, product_2 FROM MyTable
UNION ALL
SELECT product_2, product_1 FROM MyTable
),
closure AS (
SELECT product_1, product_2 FROM b
UNION
SELECT c.product_1, b.product_2
FROM closure AS c
JOIN b ON c.product_2 = b.product_1
),
ec(product, class) AS (
SELECT product_1, MIN(product_2)
FROM closure
GROUP BY product_1
),
g(product, g) AS (
SELECT product,
(SELECT COUNT(DISTINCT class)
FROM ec AS ec2
WHERE ec2.class <= ec.class)
FROM ec
)
UPDATE MyTable
SET "Group" = (SELECT g
FROM g
WHERE product = MyTable.Product_1);
这是大数据
然后让我们希望您有一个用于临时数据的大磁盘......