在 Rcpp 中按列排序数据帧答案

【问题标题】：order a dataframe by column in Rcpp在 Rcpp 中按列排序数据帧
【发布时间】：2014-06-01 04:36:47
【问题描述】：

是否有任何简单的方法可以通过 RCpp 中的两列（或多列或一列）对 DataFrame 进行排序？

网上有很多可用的排序算法，或者我可以使用 std::sort 和 DataFrame 的包装器，但我想知道 RCpp 或 RCppArmadillo 中是否已有可用的东西？

我需要将此排序/排序作为另一个函数的一部分

DataFrame myFunc(DataFrame myDF, NumericVector x) {
  //// some code here
  DataFrame myDFsorted = sort (myDF, someColName1, someColName2) // how to sort??
  //// some code here
}

我想避免在 RCpp 中访问 R 的 order 函数（以保持 RCpp 代码的速度）。

非常感谢

【问题讨论】：

标签： r rcpp

【解决方案1】：

困难在于数据框是一组向量，可能是不同类型的；我们需要一种方法来独立于这些类型（整数、字符、...）对它们进行排序。在 dplyr 中，我们开发了我们所说的矢量访问者。对于这个特殊的问题，我们需要的是一组OrderVisitor，呈现如下界面：

class OrderVisitor {
public:
    virtual ~OrderVisitor(){}

    /** are the elements at indices i and j equal */
    virtual bool equal(int i, int j) const  = 0 ;

    /** is the i element less than the j element */
    virtual bool before( int i, int j) const = 0 ;

    virtual SEXP get() = 0 ;

} ;

dplyr 然后为我们在这个file 中支持的所有类型实现了OrderVisitor，我们有一个调度函数order_visitor，它从一个向量生成一个OrderVisitor*。

这样，我们可以将一组矢量访问者存储到std::vector<OrderVisitor*>； OrderVisitors 有一个构造函数，其中包含我们要用于排序的向量名称的 DataFrame 和 CharacterVector。

OrderVisitors o(data, names ) ;

然后我们可以使用OrderVisitors.apply method，它本质上是按字典顺序排列的：

IntegerVector index = o.apply() ;

apply 方法是通过简单地用0..n 初始化一个IntegerVector 来实现的，然后根据访问者std::sort 它。

inline Rcpp::IntegerVector OrderVisitors::apply() const {
    IntegerVector x = seq(0, nrows -1 ) ;
    std::sort( x.begin(), x.end(), OrderVisitors_Compare(*this) ) ;
    return x ;
}

这里相关的是OrderVisitors_Compare类如何实现operator()(int,int)：

inline bool operator()(int i, int j) const {
    if( i == j ) return false ;
    for( int k=0; k<n; k++)
        if( ! obj.visitors[k]->equal(i,j) )
            return obj.visitors[k]->before(i, j ) ; 
    return i < j ;
}

所以此时index 为我们提供了已排序数据的整数索引，我们只需通过使用这些索引对data 进行子集化，从data 创建一个新的DataFrame。为此，我们有另一种访问者，封装在 DataFrameVisitors 类中。我们首先创建一个DataFrameVisitors：

DataFrameVisitors visitors( data ) ;

这封装了一个std::vector<VectorVisitor*>。这些VectorVisitor* 中的每一个都知道如何使用整数向量索引对其自身进行子集化。这是从DataFrameVisitors.subset使用的：

template <typename Container>
DataFrame subset( const Container& index, const CharacterVector& classes ) const {
    List out(nvisitors);
    for( int k=0; k<nvisitors; k++){
       out[k] = get(k)->subset(index) ;    
    }
    structure( out, Rf_length(out[0]) , classes) ;
    return (SEXP)out ;
}

总结一下，这里有一个使用 dplyr 开发的工具的简单函数：

#include <dplyr.h>
// [[Rcpp::depends(dplyr)]]

using namespace Rcpp ;
using namespace dplyr ;

// [[Rcpp::export]]
DataFrame myFunc(DataFrame data, CharacterVector names) {
  OrderVisitors o(data, names ) ;
  IntegerVector index = o.apply() ;

  DataFrameVisitors visitors( data ) ;
  DataFrame res = visitors.subset(index, "data.frame" ) ;
  return res ;  
}

【讨论】：

你能不能逐行解释myFunc。
@RomainFrancois，使用sourceCpp 可以很好地编译代码，但是每次调用myFunc 时，RStudio 都会崩溃。不知道为什么。
@uday 我认为这是由this commit 修复的。 Gabor，我将扩展这个答案。
@G.Grothendieck 我希望他能给你足够的细节。
@RomainFrancois，dplyr 的新版本发布了吗？

【解决方案2】：

因为data.frame 实际上是 C++ 中的列列表，所以您必须在给定新排序索引的情况下单独重新排序所有列。这与 [.., ..] 索引在 R 中为 data.frame 工作的方式不同。

参见例如this Rcpp Gallery article on sorting vectors 一些指针。您可能必须提供要使用的新排序索引，之后它只是一个索引问题 - 在图库中也有一些帖子。

This SO post 可以帮助您开始创建索引； this bytes.com post 讨论了同样的想法。

编辑： 和 Armadillo has function sort_index() 和 stable_sort_index() 创建重新排列列所需的索引。这仅涵盖单列情况，并且仅限于数字列，但只是一个开始。

【讨论】：