Question

我有一个可变长度的矢量列表，例如：

q <- list(c(1,3,5), c(2,4), c(1,3,5), c(2,5), c(7), c(2,5))

我需要计算列表中每个向量的出现次数，例如（可接受的任何其他合适的数据结构）：

list(list(c(1,3,5), 2), list(c(2,4), 1), list(c(2,5), 2), list(c(7), 1))

有一种有效的方法吗？实际列表中有数万个项目，因此二次行为是不可行的。

Answer 1

match和unique接受并处理＆＃34;列表＆＃34; s（?match警告“＆＃34; list＆＃34; s”速度慢。所以，用：

match(q, unique(q))
#[1] 1 2 1 3 4 3

每个元素都映射到一个整数。然后：

tabulate(match(q, unique(q)))
#[1] 2 1 2 1

找到一个结构来展示结果：

as.data.frame(cbind(vec = unique(q), n = tabulate(match(q, unique(q)))))
#      vec n
#1 1, 3, 5 2
#2    2, 4 1
#3    2, 5 2
#4       7 1

除了match(x, unique(x))方法，我们可以使用deparse将每个元素映射到单个值：

table(sapply(q, deparse))
#
#         7 c(1, 3, 5)    c(2, 4)    c(2, 5) 
#         1          2          1          2

此外，由于这是一个具有唯一整数的情况，并假设在一个小范围内，我们可以在将每个元素转换为二进制表示后将每个元素映射到一个整数：

n = max(unlist(q))
pow2 = 2 ^ (0:(n - 1))
sapply(q, function(x) tabulate(x, nbins = n))  # 'binary' form
sapply(q, function(x) sum(tabulate(x, nbins = n) * pow2))
#[1] 21 10 21 18 64 18

然后像以前一样tabulate。

只是为了比较上述替代方案：

f1 = function(x) 
{
    ux = unique(x)
    i = match(x, ux)
    cbind(vec = ux, n = tabulate(i))
}   

f2 = function(x)
{
    xc = sapply(x, deparse)
    i = match(xc, unique(xc))
    cbind(vec = x[!duplicated(i)], n = tabulate(i))
}  

f3 = function(x)
{
    n = max(unlist(x))
    pow2 = 2 ^ (0:(n - 1))
    v = sapply(x, function(X) sum(tabulate(X, nbins = n) * pow2))
    i = match(v, unique(v))
    cbind(vec = x[!duplicated(v)], n = tabulate(i))
}

q2 = rep_len(q, 1e3)

all.equal(f1(q2), f2(q2))
#[1] TRUE
all.equal(f2(q2), f3(q2))
#[1] TRUE

microbenchmark::microbenchmark(f1(q2), f2(q2), f3(q2))
#Unit: milliseconds
#   expr       min        lq      mean    median        uq       max neval cld
# f1(q2)  7.980041  8.161524 10.525946  8.291678  8.848133 178.96333   100  b 
# f2(q2) 24.407143 24.964991 27.311056 25.514834 27.538643  45.25388   100   c
# f3(q2)  3.951567  4.127482  4.688778  4.261985  4.518463  10.25980   100 a

另一个有趣的选择是基于订购。 R> 3.3.0有一个grouping函数，内置data.table，它与排序一起提供了一些进一步操作的属性：

使所有元素长度相等并且＆＃34;转置＆＃34; （在这种情况下可能是最慢的操作，虽然我不确定如何提供grouping）：

n = max(lengths(q))
qq = .mapply(c, lapply(q, "[", seq_len(n)), NULL)

使用排序对映射到整数的类似元素进行分组：

gr = do.call(grouping, qq)
e = attr(gr, "ends") 
i = rep(seq_along(e), c(e[1], diff(e)))[order(gr)]
i
#[1] 1 2 1 3 4 3

然后，像以前一样制表。继续比较：

f4 = function(x)
{
    n = max(lengths(x))
    x2 = .mapply(c, lapply(x, "[", seq_len(n)), NULL)
    gr = do.call(grouping, x2)
    e = attr(gr, "ends") 
    i = rep(seq_along(e), c(e[1], diff(e)))[order(gr)]
    cbind(vec = x[!duplicated(i)], n = tabulate(i))
}

all.equal(f3(q2), f4(q2))
#[1] TRUE

microbenchmark::microbenchmark(f1(q2), f2(q2), f3(q2), f4(q2))
#Unit: milliseconds
#   expr       min        lq      mean    median        uq        max neval cld
# f1(q2)  7.956377  8.048250  8.792181  8.131771  8.270101  21.944331   100  b 
# f2(q2) 24.228966 24.618728 28.043548 25.031807 26.188219 195.456203   100   c
# f3(q2)  3.963746  4.103295  4.801138  4.179508  4.360991  35.105431   100 a  
# f4(q2)  2.874151  2.985512  3.219568  3.066248  3.186657   7.763236   100 a

在此比较中，q的元素长度很小，无法容纳f3，但f3（因为大取幂）和f4（因为mapply）会在表现中受到影响，如果使用了更大元素的列表，那么就会受到影响。

Answer 2

一种方法是粘贴每个向量，取消列表和制表，即

table(unlist(lapply(q, paste, collapse = ',')))

#1,3,5   2,4   2,5     7 
#    2     1     2     1

计算列表中向量的出现次数

2 个答案: