Question

因此，假设我有一个长度为150000的字符向量。向量中的字符串并不是唯一的，实际上它们通常是分布式的，其中最频繁的字符串存在28次，另外24个字符串存在超过1000个字符串。 5次。我想将矢量划分为28个较小的矢量，在较小的矢量中分配字符串，使得在每个较小的矢量中不存在超过两次的字符串，理想情况下仅一次（或不存在）。我需要保留每个字符串，所以我不能只做!duplicated()理想情况下，矢量的大小大致相同。

我该怎么做？

我正在考虑开始添加到第一个向量，直到遇到第一个非唯一字符串，跳过它，继续填写跳过非唯一字符串，直到达到150000/28 = 5357，然后继续其他向量的方式相同，一旦将它们分配给较小的一个，就从父向量中删除它们？这有什么问题吗？在没有令人讨厌的for循环森林的情况下有效地做到这一点？

Answer 1

这似乎是一个非常有趣的问题，虽然它可能只是看起来很有趣，因为我误解了它 - 我在这里得到的解决方案创建了length of character vector / frequency of most frequent item子向量，然后将每个字符串放入f那些子向量，其中f是该字符串的频率。这可能比你实际要求的要复杂得多。

library(plyr)
# I created a file with 10000 random strings and a roughly similar frequency 
# distribution using python, and now I can't remember exactly what I did
strings <- read.csv("random_strings.txt", header=FALSE,
                    stringsAsFactors=FALSE)$V1
freq_table <- table(strings)

num_sub_vectors <- max(freq_table)
# Create a list of empty character vectors
split_list <- alply(1:num_sub_vectors, 1, function(x) return(character(0)))
for (s in names(freq_table)) {
  # Put each string into f of the sub-vectors, where f is the string's 
  # frequency
  freq <- freq_table[[s]]
  # Choose f random indexes to put this string into
  sub_vecs <- sample(1:num_sub_vectors, freq)
  for (sub in sub_vecs) {
    split_list[[sub]] <- c(split_list[[sub]], s)
  }
}

要测试它是否有效，请选择一个字符串s或频率f，然后检查s个子矢量中是否f。重复，直到你有信心。

> head(freq_table[freq_table==15])
strings
ad ak bj cg cl cy 
15 15 15 15 15 15 
> sum(sapply(split_list, function(x) "ad" %in% x))
[1] 15

Answer 2

通过统计每个字符串出现的频率然后根据“出现i次或更多次的字符串”进行分区，这非常简洁地满足您的要求（每个子字符串只有一个字符串）：

inputs <- c("foo", "bar", "baz", "bar", "baz", "bar", "bar")
histo <- table(inputs)
lapply(1:max(histo), function(i) { names(histo)[histo>=i] }

这当然会产生大小不一的分区，但是你对这方面的要求并不十分清楚。

使用R在几个列表中均匀分布重复的字符串

2 个答案: