Question

说我有这样的数据框：

Df <- data.frame(
    V1 = c(1,2,3,NA,5),
    V2 = c(1,2,NA,4,5),
    V3 = c(NA,2,NA,4,NA)
)

现在我想计算两个变量的每个组合的有效观察数。为此，我写了一个函数sharedcount：

sharedcount <- function(x,...){
    nx <- names(x)
    alln <- combn(nx,2)
    out <- apply(alln,2,
      function(y)sum(complete.cases(x[y]))
    )
    data.frame(t(alln),out)
}

这给出了输出：

> sharedcount(Df)
  X1 X2 out
1 V1 V2   3
2 V1 V3   1
3 V2 V3   2

一切都很好，但功能本身在大数据帧上需要很长时间（600个变量和大约10000个观测值）。我有一种感觉，我正在监督一种更简单的方法，特别是因为cor（...，use ='pairwise'）的运行速度要快得多，而且必须做类似的事情：

> require(rbenchmark)    
> benchmark(sharedcount(TestDf),cor(TestDf,use='pairwise'),
+     columns=c('test','elapsed','relative'),
+     replications=1
+ )
                           test elapsed relative
2 cor(TestDf, use = "pairwise")    0.25     1.0
1           sharedcount(TestDf)    1.90     7.6

任何提示都表示赞赏。

注意：使用Vincent的技巧，我编写了一个返回相同数据框的函数。代码在我的答案中。

Answer 1

以下内容稍快一些：

x <- !is.na(Df)
t(x) %*% x

#       test elapsed relative
#    cor(Df)  12.345 1.000000
# t(x) %*% x  20.736 1.679708

Answer 2

我认为Vincent看起来非常优雅，更不用说比我的二年级for循环更快，除了它似乎需要我在下面添加的提取步骤。这只是与数据帧一起使用时apply方法的大量开销的一个例子。

shrcnt <- function(Df) {Comb <- t(combn(1:ncol(Df),2) )
shrd <- 1:nrow(Comb)
for (i in seq_len(shrd)){ 
     shrd[i] <- sum(complete.cases(Df[,Comb[i,1]], Df[,Comb[i,2]]))}
return(shrd)}

   benchmark(
      shrcnt(Df), sharedcount(Df), {prs <- t(x) %*% x; prs[lower.tri(prs)]}, 
      cor(Df,use='pairwise'),
        columns=c('test','elapsed','relative'),
        replications=100
      )
 #--------------
                       test elapsed relative
3                         {   0.008      1.0
4 cor(Df, use = "pairwise")   0.020      2.5
2           sharedcount(Df)   0.092     11.5
1                shrcnt(Df)   0.036      4.5

Answer 3

基于Vincent的可爱技巧和DWin的额外lower.tri()建议，我想出了以下函数，它给出了与原始函数相同的输出（即数据框），并运行了很多更快：

sharedcount2 <- function(x,stringsAsFactors=FALSE,...){
    counts <- crossprod(!is.na(x))
    id <- lower.tri(counts)
    count <- counts[id]
    X1 <- colnames(counts)[col(counts)[id]]
    X2 <- rownames(counts)[row(counts)[id]]
    data.frame(X1,X2,count)
}

请注意crossprod()的使用，因为与%*%相比，它会有一些小的改进，但它完全相同。

时间安排：

> benchmark(sharedcount(TestDf),sharedcount2(TestDf),
+           replications=5,
+           columns=c('test','replications','elapsed','relative'))

                  test replications elapsed relative
1  sharedcount(TestDf)            5   10.00 90.90909
2 sharedcount2(TestDf)            5    0.11  1.00000

注意：我在问题中提供了TestDf，因为我注意到时间因数据帧的大小而异。如此处所示，与使用小型数据框进行比较相比，时间的增加要大得多。

在数据帧中成对计算有效观测数（无NA）

3 个答案: