获得向量之间匹配位置的有效方法

Question

我需要有效地找到两个向量之间的索引（而不是逻辑向量）。我可以这样做：

which(c("a", "q", "f", "c", "z") %in% letters[1:10])

以同样的方式，最好使用which.max找到最大数字的位置：

which(c(1:8, 10, 9) %in% max(c(1:8, 10, 9)))
which.max(c(1:8, 10, 9))

我想知道我是否有最有效的方法来找到2个向量中匹配项的位置。

编辑： 根据下面的问题/评论。我在矢量列表上运行。这个问题涉及对句子进行操作，如下所示，这些句子被分解成一个单词。该列表可以包含10000-20000或更多字符向量。然后根据该索引，我将获得之前的4个单词和索引之后的4个单词并计算得分。

x <- list(c('I', 'like', 'chocolate', 'cake'), c('chocolate', 'cake', 'is', 'good'))
y <- rep(x, 5000)

lapply(y, function(x) {
    which(x %in% c("chocolate", "good"))
})

Answer 1

使用data.table这是一种相对较快的方法：

require(data.table)
vv <- vapply(y, length, 0L)
DT <- data.table(y = unlist(y), id = rep(seq_along(y), vv), pos = sequence(vv))
setkey(DT, y)
# OLD CODE which will not take care of no-match entries (commented)
# DT[J(c("chocolate", "good")), list(list(pos)), by=id]$V1

setkey(DT[J(c("chocolate", "good"))], id)[J(seq_along(vv)), list(list(pos))]$V1

---

想法：

首先，我们将您的列表重新列入名为DT的{​​{1}}列中。此外，我们还创建了另外两个名为y和id的列。 pos告诉列表中的索引，id告诉pos中的位置。然后，通过在id上创建关键列，我们可以执行快速子集化。通过此子集，我们将为每个id获得相应的pos值。在我们为列表中的每个id收集所有pos然后只输出列表列（V1）之前，我们通过将键设置为{{{}来处理那些与我们的查询不匹配的条目。 1}}首先对id的所有可能值进行子集化和子集化（因为对于不存在的条目，这将导致id。

---

使用帖子上的id代码进行基准测试：

NA

Answer 2

C ++答案比单个字符更快，但我认为使用字符串向量引入了足够的开销，现在它变慢了：

char1 <- c("a", "q", "f", "c", "z")
char2 <- letters[1:10]

library(inline)
cpp_whichin_src <- '
Rcpp::CharacterVector xa(a);
Rcpp::CharacterVector xb(b);
int n_xa = xa.size();
int n_xb = xb.size();

NumericVector res(n_xa);

std::vector<std::string> sa = Rcpp::as< std::vector<std::string> >(xa);
std::vector<std::string> sb = Rcpp::as< std::vector<std::string> >(xb);

for(int i=0; i < n_xa; i++) {
  for(int j=0; j<n_xb; j++) {
    if( sa[i] == sb[j] ) res[i] = i+1;
  }
}
return res;
'
cpp_whichin <- cxxfunction(signature(a="character",b="character"), cpp_whichin_src, plugin="Rcpp")

which.in_cpp <- function(char1, char2) {
  idx <- cpp_whichin(char1,char2)
  idx[idx!=0]
}

which.in_naive <- function(char1, char2) {
  which(char1 %in% char2)
}

which.in_CW <- function(char1, char2) {
  unlist(sapply(char2,function(x) which(x==char1)))
}

which.in_cpp(char1,char2)
which.in_naive(char1,char2)
which.in_CW(char1,char2)

**基准**

library(microbenchmark)
microbenchmark(
  which.in_cpp(char1,char2),
  which.in_naive(char1,char2),
  which.in_CW(char1,char2)
)

set.seed(1)
cmb <- apply(combn(letters,2), 2, paste,collapse="")
char1 <- sample( cmb, 100 )
char2 <- sample( cmb, 100 )

Unit: microseconds
                          expr     min      lq   median       uq      max
1   which.in_cpp(char1, char2) 114.890 120.023 126.6930 135.5630  537.011
2    which.in_CW(char1, char2) 697.505 725.826 766.4385 813.8615 8032.168
3 which.in_naive(char1, char2)  17.391  20.289  22.4545  25.4230   76.826

# Same as above, but with 3 letter combos and 1000 sampled

Unit: microseconds
                          expr       min        lq     median        uq       max
1   which.in_cpp(char1, char2)  8505.830  8715.598  8863.3130  8997.478  9796.288
2    which.in_CW(char1, char2) 23430.493 27987.393 28871.2340 30032.450 31926.546
3 which.in_naive(char1, char2)   129.904   135.736   158.1905   180.260  3821.785