Question

我想以

的形式创建数据结构

Start, End, Elements
  3  , 6  ,  {4,5}
  4 ,  10 ,  {7,8,9}
   ....

总之，我正在沿着一条线移动一个球。 “开始”代表球的最左侧位置，“结束”代表最右侧。 “元素”意味着我以某种方式找到那些特殊的位置。当元素数量增长非常大时，使用哪种最佳数据结构？我唯一能想到的是一个数据框，其中第3列是一个适当格式化的字符串。如果我想查看集合中的每个数字，我将不得不解析字符串。 R有没有更好的数据格式或者是关于它的数据格式？

谢谢！

Answer 1

我的评论中提到的选项，即只使用其中一列的列表：

dat <- data.frame(Start = 3:4, End = c(6,10))
> dat
  Start End
1     3   6
2     4  10
> dat$Elements <- list(4:5,7:9)
> dat
  Start End Elements
1     3   6     4, 5
2     4  10  7, 8, 9

你当然也可以完全抛弃数据框，简单地使用一个普通的旧列表（无论如何，在很多情况下这可能更有意义）：

list(list(Start = 3,End = 6, Elements = 4:5),list(Start = 4,End = 10,Elements = 7:9))
[[1]]
[[1]]$Start
[1] 3

[[1]]$End
[1] 6

[[1]]$Elements
[1] 4 5


[[2]]
[[2]]$Start
[1] 4

[[2]]$End
[1] 10

[[2]]$Elements
[1] 7 8 9

Answer 2

您可以将其存储为高数据框而不是宽数据框，并且可能使用data.table来有效地处理它。也就是说，每个元素创建一行而不是每个起始端对一行

library(data.table)
dt = data.table(Start=c(3, 3, 4, 4, 4), End=c(6, 6, 10, 10, 10), Elements=c(4, 5, 7, 8, 9))
#   Start End Elements
#1:     3   6        4
#2:     3   6        5
#3:     4  10        7
#4:     4  10        8
#5:     4  10        9

这可以让您轻松地对数据进行多种处理，例如确定每个范围内的元素数量：

dt[, list(Num.Elements=length(Elements)), by=c("Start", "End")]

#    Start End Num.Elements
# 1:     3   6            2
# 2:     4  10            3

这也可以使数据易于使用ggplot包，通常期望数据采用高格式。

您可能会注意到此数据结构浪费，因为它会为每个元素重复开始和结束。但是，数据表的存储效率非常高 - 即使您的元素列表长达数百万，它也可以轻松地适应并以这种方式处理。尝试一下这样的行：

dt = data.table(Start=1:1e6, End=1:1e6, Elements=1:1e6)

进行演示。除了将每个元素列表保持为字符串并且每次都将其拆分之外，当然处理速度更快。

在R中的数据框元素中存储列表

2 个答案: