La función table

La funcionalidad básica de R es enorme, muchas veces la olvidamos por herramientas más avanzadas (léase dplyr), sin embargo hay un conjunto enorme de problemas dónde no es necesario buscar ayuda de otros paquetes. Un ejemplo muy claro es este problema:

Tenemos una matriz como la siguiente:

dat <- read.table(text='N1, N2
                        "jara",   "moreno" 
                        "moreno",  "lopez"  
                        "diaz",    "Swanson"
                        "powell",  "jara"   
                        "Mckinze", "jenner" 
                        "jenner",  "londra" 
                        "londra",  "kennedy"', 
                  header=T, sep=',', 
				  stringsAsFactors = F, 
				  quote = '"', 
				  strip.white = T)

dat <- as.matrix(dat)
colnames(dat) <- NULL
dat

     [,1]      [,2]     
[1,] "jara"    "moreno" 
[2,] "moreno"  "lopez"  
[3,] "diaz"    "Swanson"
[4,] "powell"  "jara"   
[5,] "Mckinze" "jenner" 
[6,] "jenner"  "londra" 
[7,] "londra"  "kennedy"

Supongamos que queremos encontrar los nombres que se repiten en ambas columnas, pero además tenemos una cantidad enorme de columnas dónde buscar estas repeticiones, esto lo digo por que la forma natural de hacer esto sería dat[dat[,1] %in% dat[,2], 1], pero claro esto solo nos dice los valores de la columna 1 que se repiten en la 2, debiéramos hacer el control inverso, los valores de la columna 2 que se repiten en la 1 y así con cada una de las n variables/columnas que tengamos. Impracticable.

table() al rescate

Esta función es muy interesante, según la documentación

table() utiliza los factores de clasificación cruzada para construir una tabla de contingencia de los conteos en cada combinación de niveles de factores.

El primer parámetro es el objeto sobre el cual se armará la tabla de contingencia, el cual puede uno o más objetos que eventualmente puedan ser convertidos a u factor. Esto implica que casi cualquier cosa puede pasar por table(), desde vectores, matrices o dataframes, solo por nombrar algunos. Pero otra cosa importante que dice la ayuda, es que acepta múltiples objetos, por ejemplo, para hacer la tabla de contingencia de un vector:

table(c("A","B","A"))

A B 
2 1 

Esto no ofrece mucha dificultad para entender, tenemos dos ocurrencias del valor A y uno del B. ¿Y si agregamos una nueva dimensión?

table(c("A","B","A"), c("A","B","A"))

    A B
  A 2 0
  B 0 1

Interesante, nos retornó una matriz, en este caso lo que nos dice si sabemos leer el resultado, es que la combinación A,A se repite dos veces que A,B y B,A ninguna y que B,B apareció una vez. Podemos seguir agregando “dimensiones” sin problemas, la representación en la consola se hará un poco más difícil de leer, pero siempre el objeto retornado seguirá siendo de la clase table.

En nuestro problema, la aplicación es bien sencilla:

tbl <- table(dat)
tbl 

dat
   diaz    jara  jenner kennedy  londra   lopez Mckinze  moreno  powell Swanson 
      1       2       2       1       2       1       1       2       1       1 

names(tbl[tbl > 1])

[1] "jara"   "jenner" "londra" "moreno"

La representación en consola del objeto table nos da una información muy útil, lo primero que nos dice es el nombre del objeto sobre el cual estamos aplicando la tabla de consistencia, en este caso dat y luego nos da las frecuencias de cada valor de cada una de las columnas de la matriz original.

Por último lo que hemos hecho es recuperar los nombres de las columnas de aquellos valores que se repitieran más de una vez.

Esta solución solo tiene un eventual problema, que es: cuando no nos interesa contar las repeticiones dentro de una misma columna, es decir solo queremos ver casos dónde los valores se repiten pero en columnas distintas. Un pequeño truco para resolver esto sería hacer lo siguiente:

# En primer lugar creamos un nuevo ejemplo
# Pueden observar que "Mckinze" se repite en una misma columna
dat <- read.table(text='N1, N2
                        "jara",   "moreno" 
                        "moreno",  "lopez"  
                        "diaz",    "Swanson"
                        "powell",  "jara"   
                        "Mckinze", "jenner" 
                        "Peter",  "jara"   
                        "jenner",  "londra" 
                        "londra",  "kennedy"
                        "Mckinze",  "londra"', 
                  header=T, sep=',', 
                  stringsAsFactors = F, 
                  quote = '"', 
                  strip.white = T)


dat <- as.matrix(dat)
colnames(dat) <- NULL

# Si aplicamos la solución anterior, nos aparecerá "Mckinze" 
# que es lo que no queremos
tbl <- table(dat)
names(tbl[tbl > 1])

[1] "jara"    "jenner"  "londra"  "Mckinze" "moreno"

# Pero podemos eliminar duplicados
apply(dat, 2, function(x) {ifelse(duplicated(x), NA, x)})

      [,1]      [,2]     
 [1,] "jara"    "moreno" 
 [2,] "moreno"  "lopez"  
 [3,] "diaz"    "Swanson"
 [4,] "powell"  "jara"   
 [5,] "Mckinze" "jenner" 
 [6,] "Peter"   NA       
 [7,] "jenner"  "londra" 
 [8,] "londra"  "kennedy"
 [9,] NA        NA       

# Podemos ver que hemos eliminado la repetición de "Mckinze" y de "jara"
# dentro de una misma columna, aplicando todo:
tbl <- table(apply(dat, 2, function(x) {ifelse(duplicated(x), NA, x)}))
names(tbl[tbl > 1])
[1] "jara"   "jenner" "londra" "moreno"