Question

我有一个数据框，其中包含一个包含文本字符串的向量。我试图根据每个字符串是否包含在几个列表中的一个列表中，将这些字符串重新编码为值（0,1,2，...），并将其分配给数据框中的新向量

例如：

vector = c( "A", "B", "C", "D", "E")
list1 = c("B", "G", "P", "Z")
list2 = c("A", "E", "M", "Q")
list3 = everything not in list1 or list2

新向量应分配＆＃34; 0＆＃34;，＆＃34; 1＆＃34;或＆＃34; 2＆＃34;根据vector [i]是否包含在list1，或list 2，或list3：

中

new_vector = (2, 1, 3, 3, 2)

我尝试了％in％的各种排列，但问题在于＆＃34; vector＆＃34;非常长（数十万个元素），我匹配的一些列表也相当长（10-30个元素）。我的声明有效，但非常慢。看着苔藓变得有点慢。

什么是R＆＃34;技巧＆＃34;为了最佳地加速像这样的复杂匹配场景？

Answer 1

首先，您应该将列表存储在一个对象中，而不是编号名称：

L = list(list1, list2)

然后你可以使用data.table进行相当快速的匹配：

library(data.table)
LDT = rbindlist(lapply(L, data.table), idcol = TRUE)
vDT = data.table(v = vector)

vDT[, id := LDT[vDT, on=.(V1 = v), .id]]

#    v id
# 1: A  2
# 2: B  1
# 3: C NA
# 4: D NA
# 5: E  2

无需为“不在其他列表中的所有内容”创建列表。它可以被赋予NA，如此处所示。

如果你的名单没有脱节，这会以奇怪的方式打破，所以你可能想设置一个规则来停止，如果是这样的话：

stopifnot( !anyDuplicated(LDT[, "V1"]) )

工作原理

LDT和vDT是表格，连接的语法是x[i,on=,j]。联接使用i在x中查找行。 j是使用匹配行计算的值（此处只是i中的一列）。

要分配列，请使用j这样的colname := expression参数。有关详细信息，请参阅the website。

R - 根据与多个列表之一的匹配将值赋给向量

1 个答案: