Question

对于我正在实现的聚类算法，我想随机初始化聚类分配。但是，我需要没有差距。也就是说，这不行：

set.seed(2)
K <- 10 # initial number of clusters
N <- 20 # number of data points
z_init <- sample(K,N, replace=TRUE) # initial assignments
z_init
#  [1]  2  8  6  2 10 10  2  9  5  6  6  3  8  2  5  9 10  3  5  1
sort(unique(z_init))
# [1]  1  2  3  5  6  8  9 10

未使用标签4和7。

相反，我希望这个向量是：

#  [1]  2  6  5  2 8 8  2  7  4  5  5  3  6  2  4  7 8  3  4  1

其中标签5已变为4，依此类推以填充较低的空标签。

更多例子：

向量1 2 3 5 6 8应为̀1 2 3 4 5 6 7
向量15,5,7,7,10应为̀1 2 3 3 4

可以避免for循环吗？我不需要它快速，我更喜欢它优雅而简短，因为我只在代码中执行一次（用于标签初始化）。

我的解决方案使用for循环

z_init <- c(3,2,1,3,3,7,9)

idx <- order(z_init)
for (i in 2:length(z_init)){
  if(z_init[idx[i]] > z_init[idx[i-1]]){
    z_init[idx[i]] <- z_init[idx[i-1]]+1
  }
  else{
    z_init[idx[i]] <- z_init[idx[i-1]]  
  }

}

z_init
# 3 2 1 3 3 4 5

Answer 1

在我看来，您正在尝试将集合的元素（数字1到20）随机分配给集群，但要求为每个集群分配至少一个元素。

我能想到的一种方法是选择随机奖励r_ij，将元素i分配给群集j。然后我将定义二进制决策变量x_ij，指示元素i是否已分配给集群j。最后，我将使用混合整数优化来选择从元素到集群的分配，以便根据以下条件最大化收集的奖励：

每个元素都分配给一个群集
每个群集至少分配了一个元素

这相当于随机选择一个赋值，如果所有聚类至少有一个元素，则保留它，否则丢弃它并再次尝试直到获得有效的随机赋值。

在实现方面，使用lpSolve包在R中很容易实现：

library(lpSolve)
N <- 20
K <- 10
set.seed(144)
r <- matrix(rnorm(N*K), N, K)
mod <- lp(direction = "max",
          objective.in = as.vector(r),
          const.mat = rbind(t(sapply(1:K, function(j) rep((1:K == j) * 1, each=N))),
                            t(sapply(1:N, function(i) rep((1:N == i) * 1, K)))),
          const.dir = c(rep(">=", K), rep("=", N)),
          const.rhs = rep(1, N+K),
          all.bin = TRUE)
(assignments <- apply(matrix(mod$solution, nrow=N), 1, function(x) which(x > 0.999)))
#  [1]  6  5  3  3  5  6  6  9  2  1  3  4  7  6 10  2 10  6  6  8
sort(unique(assignments))
#  [1]  1  2  3  4  5  6  7  8  9 10

Answer 2

你可以这样做：

un <- sort(unique(z_init))
(z <- unname(setNames(1:length(un), un)[as.character(z_init)]))
# [1] 2 6 5 2 8 8 2 7 4 5 5 3 6 2 4 7 8 3 4 1
sort(unique(z))
# [1] 1 2 3 4 5 6 7 8

在此，我将un中z_init的元素替换为1:length(un)的相应元素。

Answer 3

一种简单（但可能效率低下）的方法是转换为一个因子然后再转换为数字。创建因子会将信息编码为1到整数的整数，然后添加带有原始值的标签。转换为数字然后删除标签并留下数字：

-- ^@double /term/@ – syntax sugar

最后一个示例中的> x <- c(1,2,3,5,6,8) > (x2 <- as.numeric(factor(x))) [1] 1 2 3 4 5 6 > > xx <- c(15,5,7,7,10) > (xx2 <- as.numeric(factor(xx))) [1] 4 1 2 2 3 > (xx3 <- as.numeric(factor(xx, levels=unique(xx)))) [1] 1 2 3 3 4部分设置数字以匹配它们在原始矢量中的显示顺序。

Answer 4

编辑：@GregSnow提出了目前最短的答案。我100％确信这是最短的方式。

为了好玩，我决定golf代码，即尽可能缩短代码：

z <- c(3, 8, 4, 4, 8, 2, 3, 9, 5, 1, 4)
# solution by hand: 1 2 3 3 4 4 4 5 6 6 7

sort(c(factor(z))) # 18 bits, as proposed by @GregSnow in the comments
# [1] 1 2 3 3 4 4 4 5 6 6 7

其他一些（正常运作的）尝试：

y=table(z);rep(seq(y),y) # 24 bits
sort(unclass(factor(z))) # 24 bits, based on @GregSnow 's answer
diffinv(diff(sort(z))>0)+1 # 26 bits
sort(as.numeric(factor(z))) # 27 bits, @GregSnow 's original answer
rep(seq(unique(z)),table(z)) # 28 bits
cumsum(c(1,diff(sort(z))>0)) # 28 bits
y=rle(sort(z))$l;rep(seq(y),y) # 30 bits

Edit2 ：只是为了表明这些内容并非一切：

z <- sample(1:10,10000,replace=T)
Unit: microseconds
                                      expr      min        lq      mean    median        uq      max neval
                        sort(c(factor(z))) 2550.128 2572.2340 2681.4950 2646.6460 2729.7425 3140.288   100
   {     y = table(z)     rep(seq(y), y) } 2436.438 2485.3885 2580.9861 2556.4440 2618.4215 3070.812   100
                  sort(unclass(factor(z))) 2535.127 2578.9450 2654.7463 2623.9470 2708.6230 3167.922   100
            diffinv(diff(sort(z)) > 0) + 1  551.871  572.2000  628.6268  626.0845  666.3495  940.311   100
               sort(as.numeric(factor(z))) 2603.814 2672.3050 2762.2030 2717.5050 2790.7320 3558.336   100
             rep(seq(unique(z)), table(z)) 2541.049 2586.0505 2733.5200 2674.0815 2760.7305 5765.815   100
           cumsum(c(1, diff(sort(z)) > 0))  530.159  545.5545  602.1348  592.3325  632.0060  844.385   100
{  y = rle(sort(z))$l     rep(seq(y), y) }  661.218  684.3115  727.4502  724.1820  758.3280  857.412   100

z <- sample(1:100000,replace=T)
Unit: milliseconds
                                      expr       min        lq     mean    median       uq       max neval
                        sort(c(factor(z))) 84.501189 87.227377 92.13182 89.733291 94.16700 150.08327   100
   {     y = table(z)     rep(seq(y), y) } 78.951701 82.102845 85.54975 83.935108 87.70365 106.05766   100
                  sort(unclass(factor(z))) 84.958711 87.273366 90.84612 89.317415 91.85155 121.99082   100
            diffinv(diff(sort(z)) > 0) + 1  9.784041  9.963853 10.37807 10.090965 10.34381  17.26034   100
               sort(as.numeric(factor(z))) 85.917969 88.660145 93.42664 91.542263 95.53720 118.44512   100
             rep(seq(unique(z)), table(z)) 86.568528 88.300325 93.01369 90.577281 94.74137 118.03852   100
           cumsum(c(1, diff(sort(z)) > 0))  9.680615  9.834175 10.11518  9.963261 10.16735  14.40427   100
 { y = rle(sort(z))$l     rep(seq(y), y) } 12.842614 13.033085 14.73063 13.294019 13.66371 133.16243   100

创建N个随机整数，没有间隙

4 个答案: