R 检查一行字符串，如果相等，分配相等的ID，耗时少答案

【问题标题】：R Check a row of strings, if equal, assign equal ID, less time consumingR 检查一行字符串，如果相等，分配相等的ID，耗时少
【发布时间】：2017-03-25 16:24:20
【问题描述】：

我对 R 相当陌生，想知道这里是否有人对我的问题有更好的解决方案，因为我的问题太耗时了。我知道 R 不是很“for-loop-friendly”，所以我确信有更好的方法来解决这个问题。

我有一个数据框，其中 x 是文本字符串，y 是数字 id：

x = c("a", "b", "c", "b", "a")
y = c(1,2,3,4,5)
df <- data.frame(x, y)

我希望 a 找到 x 列中的所有匹配项，并为它们分配与 y 中的第一个相同的数值。我用以下方法解决了这个问题：

library(foreach)
library(iterators)

for(i in 1:NROW(df)) {
  for(j in i:NROW(df)) {
    if(df$x[j] == df$x[i]){
      df$y[j] <- df$y[i]
    }
    j = j + 1
  }
  i = i + 1
}

问题是，我有一个相当大的数据集，这使得这个过程需要很多时间！希望这里的任何人都知道一个更省时的选择！

【问题讨论】：

标签： r performance time dataframe match

【解决方案1】：

如果您的数据集确实很大，那么 data.table 可能是最快的解决方案（请参阅基准here）。

library(data.table)
setDT(df)

df[, y := first(y), by = x]

【讨论】：

这使用相对较大的数据集立即解决了问题。但是，这种方法的结果是 y 中的值不是连续的。无论如何，它解决了我的问题！
您可以将key 更改为keyby，这将对x 进行排序（如果这是您的意思）。您还可以使用setorder(df, x) 快速就地排序。
哎呀没关系，我输入的值顺序错误...哈哈

【解决方案2】：

R 喜欢矢量化代码，因此如果在循环中完成算术运算和赋值之类的事情可能会很慢。例如，考虑以两种不同的方式将向量 1、2、... 1,000,000 分配给变量 x

x <- 1:1e6

和

x <- numeric(x, 1e6) # initialise a numeric vector of length 1 million
for (i in 1:1e6) x[i] <- i

如果您尝试一下，您会发现第二种方法需要更长的时间。

遇到您的问题，您想按df$x 中的值对数据进行分组，并将y 的值替换为其第一个元素

df.by <- by(df$x, function(d) transform(d, y = y[1]), data = df)

会将df（基于df$x 的子集）的每个子集的第二列设置为其第一个元素。结果是

#df$x: a
#  x y
#1 a 1
#5 a 1
#------------------------------------------------------------
#df$x: b
#  x y
#2 b 2
#4 b 2
#------------------------------------------------------------
#df$x: c
#  x y
#3 c 3

要将这些组合回数据框，请使用df.new <- do.call(rbind, df.by)。此操作的一个（可能是不需要的）副作用是它将更改行的顺序。

如果您是 R 新手，请查看 dplyr 包，它具有流畅的学习曲线和易于编写和阅读的语法。您想要做的事情只需几行就可以完成。

library(dplyr)
df %>% group_by(x) %>% mutate(y = y[1])

会做的！

【讨论】：