已知两个数据框，如何用r语言完成一些计算？急求急求急求！！！

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

如下两个数据框
> recommendation
   user item  val
1     1  104 30.5
2     1  105 12.5
3     1  106  7.5
4     2  105 13.0
5     2  106  9.0
6     3  103 24.5
7     3  106 10.5
8     3  102  8.0
9     4  105 22.0
10    4  102 20.5
11    4  106 12.5
12    5  102 16.0
> testing
   user item pref
11    3  107    5
15    4  106    4
17    5  102    3


现在要利用这两个数据框进行数据分析：
precision＝推荐正确率 就是说  3  107 在recommendation中没有推荐 则0/3 （3是向user＝3的用户推荐的item 数）
                                         4  106 在recommendation中有推荐 1/3
                                         5  102 在recommendation中有推荐1/1
                                        （4/3）/3（和除以测试用户数）=4/9
recall＝喜好正确率 就是说 0+1（对于用户4来说，只喜欢106，也推荐了106，所以是1）+1（对于用户5来说，102同理）＝2
                          2/3（和除以测试用户数）即r值
那么，请问这种怎么用r语言写出来，因为可能涉及循环（需要验证testing中的user、item是否属于recommendation），并不是特别懂，特来询问，望回复解答，非常感谢！［precision&recall已经解决 非常感谢高手解答！］

还有一个问题求助：
还有一个值auc
auc＝（testing在recommendation的序列／用户推荐长度）／测试用户总数
比如 3 107没有推荐 就是 0
       4 106 排第三个 就是 3／3
       5 102 排第一个 就是 1／1
然后加起来除以testing总数 这个序列又如何操作？
用一楼的大神代码：
each_precision =sapply(unique(m[,1]),function(x) nrow(subset(m,m[,1]==x&m[,2]==m[,4]))/sum(m[,1]==x))

#nrow是行数 所以只需要将行数 改成在m中的user索引序列
但是索引这边总出问题 还请高手回复
谢谢谢谢！

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：如何用 数据框 R语言 Recommend PRECISION 如何

1. recommendation=data.frame(user=c(1,1,1,2,2,3,3,3,4,4,4,5),item=c(104,105,106,105,106,103,106,102,105,102,106,102),val=rnorm(12))
   
2. testing=data.frame(user=3:5,item=c(107,106,102),pref=5:3)
   
3. library(reshape2)
   
4. m=merge(recommendation,testing,by=c("user"))
   
5. each_precision=sapply(unique(m[,1]),function(x) nrow(subset(m,m[,1]==x&m[,2]==m[,4]))/sum(m[,1]==x))
   
6. precision=sum(each_precision)/length(unique(m[,1]))

复制代码

each_precision那一句应该可以借助melt后的功能更好得到，或者data.table包，我用的不熟

1. m2=merge(recommendation,testing,by=c("user","item"))
   
2. recall=nrow(m2)/nrow(testing)

复制代码

m2即是测试与推荐达到吻合的地方

我觉得是可以通过merge函数来实现precision的计算的，因为你按照user and item合并后，设置all=TRUE，并且先在testing的数据集添加一列全部为1的常数量，合并后，只需要对这一列加总就可以看出有多少是匹配的了。
主要是楼主给的数据太少，我这种做法适合你给同一个user推荐多种商品的时候计算的。

再结合tapply和length函数，计算出每一个user推荐的产品数，就可以算precision了。

1. 首先借用一楼哥们的数据
   
2. > recommendation=data.frame(user=c(1,1,1,2,2,3,3,3,4,4,4,5),item=c(104,105,106,105,106,103,106,102,105,102,106,102),val=rnorm(12))
   
3. > testing=data.frame(user=3:5,item=c(107,106,102),pref=5:3)
   
4. 然后开始长途的分析
   
5. a<-merge(testing,recommendation,by=c("user","item"),all.x=TRUE)
   
6. b<-table(recommendation$user)
   
7. d<-as.data.frame(b)
   
8. e<-merge(a,d,by.x='user',by.y='Var1',all.x=TRUE)
   
9. e$val<-ifelse(is.na(e$val),0,1)
   
10. 得到e的结果如下
    
11.   user item pref val Freq
    
12. 1    3  107    5   0    3
    
13. 2    4  106    4   1    3
    
14. 3    5  102    3   1    1
    
15. val表示推荐的是否正确，Freq表示向user的推荐总次数
    
16. val/Freq就是推荐正确率
    
17. sum(e$val)/nrow(e)就是喜好率

复制代码

flg <- 1
recommendation <- data.frame(recommendation,flg)
flg <- 0
testing <- data.frame(testing,flg)
usercount <- data.frame(with(recommendation,table(user)))
recommendation1 <- rbind(recommendation[,c("user","item","flg")],testing[,c("user","item","flg")])
preList <- aggregate(recommendation1,by=list(recommendation1$user,recommendation1$item),FUN=sum)
pre <- merge(testing,preList,by.x=c("user","item"),by.y=c("Group.1","Group.2"))[,c(1,2,7)]
precision <- merge(pre,usercount)
precision <-  data.frame(precision,preci=precision$flg.y/precision$Freq)
precision[,c(1,2,5)]

yywan0913 发表于 2014-12-30 09:34
m2即是测试与推荐达到吻合的地方

非常非常感谢！
还有一个问题求助：
还有一个值auc
auc＝（testing在recommendation的序列／用户推荐长度）／测试用户总数
比如 3 107没有推荐 就是 0
       4 106 排第三个 就是 3／3
       5 102 排第一个 就是 1／1
然后加起来除以testing总数 这个序列又如何操作？

yywan0913 发表于 2014-12-30 09:34
m2即是测试与推荐达到吻合的地方

each_precision =sapply(unique(m[,1]),function(x) nrow(subset(m,m[,1]==x&m[,2]==m[,4]))/sum(m[,1]==x))

#nrow是行数 所以只需要将行数 改成在m中的user索引序列
但是索引这边总出问题 还请高手回复
谢谢谢谢！

dataorz 发表于 2014-12-30 10:59
flg

非常非常感谢！

jiangbeilu 发表于 2014-12-30 10:20
我觉得是可以通过merge函数来实现precision的计算的，因为你按照user and item合并后，设置all=TRUE，并且先 ...

谢谢谢谢！