高效匹配字符向量的元素答案

【问题标题】：Efficiently match elements of character vectors高效匹配字符向量的元素
【发布时间】：2015-07-10 21:52:53
【问题描述】：

我有一个有点复杂的字符向量元素之间的匹配情况。我有一个查询向量，例如：

query.vec <- c("a","b","c","d","k")

和一个搜索向量，例如：

search.vec <- c("a","b,b1","c,d","e","f")

我想获取搜索向量中查询向量中每个元素的外观索引。查询向量和搜索向量中的元素是唯一的，这意味着每个查询向量元素只有一个可能的匹配项（或者在 query.vec[5] 的情况下根本没有匹配项）。但是，查询向量中的多个元素可以匹配搜索向量中的相同元素（例如，query.vec[3] 和 query.vec[4] 匹配 search.vec[3]）。

由于搜索向量包含逗号分隔字符，这些字符仍然算作我的目的匹配（查询向量中的元素与搜索向量中逗号分隔字符元素之一的匹配），因此复杂性增加。这就是为什么一个简单的match 不会很有效的原因。

我想到了：

unlist(sapply(query.vec, function(x) {
  idx <- which(grepl(x, search.vec) == TRUE)
  if(length(idx) == 0) idx <- NA
  return(idx)
}))

给出正确答案：

 a  b  c  d  k 
 1  2  3  3 NA

但由于实际上我的查询向量的长度约为 8000，而搜索向量的长度约为 250,000，因此该解决方案非常慢。所以我正在寻找更快的东西。

【问题讨论】：

你试过strsplit吗？
不，因为我认为它比我的解决方案还要慢。
由于性能对您很重要，因此最好澄清一些极端情况：如果query.vec 的元素在search.vec 中多次出现该怎么办，或者可以假设永远不会发生？
x <- strsplit(search.vec, "");tbl <- table(x); tbl[match(names(tbl), query.vec)] 。或者类似的东西

标签： r match

【解决方案1】：

我发现这就足够了：

query.vec <- c("a","b","c","d","k")
search.vec <- c("a","b,b1","c,d","e","f")

split.search.vec.list = strsplit(search.vec, ",")
split.search.vec = unlist(split.search.vec.list)
names(split.search.vec) = unlist(sapply(1:length(split.search.vec.list), function(x) rep(x, length(split.search.vec.list[[x]]))))
idx = match(query.vec, split.search.vec)
idx[which(!is.na(idx))] = names(split.search.vec)[idx[which(!is.na(idx))]]
idx = as.integer(idx)

【讨论】：