计算R中两个向量的汉明距离？答案

【问题标题】：Calculating Hamming distance for two vectors in R?计算R中两个向量的汉明距离？
【发布时间】：2012-01-25 02:32:52
【问题描述】：

我正在尝试计算 R 中两个向量之间的汉明距离。我目前正在尝试使用“e1071”包和 hamming.distance 函数，如下所示：

library(e1071)
H <- hamming.distance(X)

其中 X 是具有 2 行和（在我的特定数据中）667 列的 data.frame，每个观察值都是 0 或 1。

最初我得到了错误：

Error: evaluation nested too deeply: infinite recursion / options(expressions=)?

经过一些研究，似乎有一种修复方法可能是增加 R 中的基本选项。我通过 options(expressions=5000) 进行了此操作，然后尝试使用不同的值代替 5000。但这只会产生错误：

Error: C stack usage is too close to the limit

我不是一个程序员，这个最新错误的修复似乎与包 e1071 中的某些内容有关，可能没有正确调用（或在正确的时间）。

关于我做错了什么有什么想法吗？我最终想要大量向量之间的汉明距离，这只是一个起点。如果这与内存分配有关，关于如何处理它的任何建议？

【问题讨论】：

这实际上不是内存问题，而是堆栈问题：该函数是递归的，它调用自身的次数与列数一样多。您可能想检查是否有其他非递归实现（例如，通过键入library(sos); ???hamming），或实现您自己的。此外，我无法重现该问题（expressions 对我来说已经是 5000）：有关您的平台的信息（例如，sessionInfo()）可能会有所帮助。

标签： r

【解决方案1】：

我不知道 hamming.distance 在内部是如何工作的，但是计算 2 个向量的距离的简单方法就是

sum(x1 != x2)

或者，在这种情况下，

sum(X[1,] != X[2,])

如果向量的总数不是太大（比如几千个），您可以在嵌套循环中实现：

n <- nrow(X)
m <- matrix(nrow=n, ncol=n)
for(i in seq_len(n - 1))
    for(j in seq(i, n))
        m[j, i] <- m[i, j] <- sum(X[i,] != X[j,])

警告：未经测试。

【讨论】：

太棒了！你们是一个巨大的帮助。这太棒了。
小心 NA 测试。

【解决方案2】：

关于使用 HAMMING.DISTANCE 与包 e1071 的警告！

此包的实现强制将对象与带有 as.logical 的布尔值进行比较。这意味着 0 的值将为 FALSE，任何非零值都将为 TRUE。这意味着对于序列： 0 1 2 与 0 1 1 相比，汉明距离将被报告为 0 而不是正确的值 1——这个包将把 1 和 2 视为相等，因为 as.logical(1) == as.logical(2)。

这是错误的（在我看来）实现：

    > library("e1071", lib.loc="C:/Program Files/R/R-2.15.3/library")
    Loading required package: class
    > hamming.distance
    function (x, y) 
    {
        z <- NULL
        if (is.vector(x) && is.vector(y)) {
            z <- sum(as.logical(x) != as.logical(y))
        }
        else {
            z <- matrix(0, nrow = nrow(x), ncol = nrow(x))
            for (k in 1:(nrow(x) - 1)) {
                for (l in (k + 1):nrow(x)) {
                    z[k, l] <- hamming.distance(x[k, ], x[l, ])
                    z[l, k] <- z[k, l]
                }
            }
            dimnames(z) <- list(dimnames(x)[[1]], dimnames(x)[[1]])
        }
        z
    }
    <environment: namespace:e1071>

我的建议：不要使用。如上所述，汉明距离很容易实现。

【讨论】：

感谢您对此的说明。我最终只是使用 Hong Ooi 提到的非常简单的方法来计算它。但总的来说，这是件好事。
我继续向软件包维护者发送了一封关于此问题的电子邮件。

【解决方案3】：

hamming.distance 采用两个向量或矩阵，但不是数据框，所以你想要的可能是

m = as.matrix(X)
hamming.distance(m[1,], m[2,])

或

hamming.distance(as.matrix(X))

但正如所指出的，这在您的特定情况下与

sum(m[1,] != m[2,])

（一般来说，如果您拥有的不是异构结构，则避免使用data.frames，因为它们比矩阵慢得多）

【讨论】：

【解决方案4】：

作为对上述所有内容的补充：虽然汉明距离作为普通嵌套循环实现起来很简单，但就执行时间而言，对于较大的矩阵，事情可能很快就会失控。在 R 中，使用矩阵乘法来计算大型矩阵的所有列之间的汉明距离要高效得多。与 R 级嵌套循环相比，这非常快。一个示例实现可以在here 找到。

【讨论】：

【解决方案5】：

sum(xor(x[1,],x[2,]))

我不知道 'xor' 与 '!=' 的相对效率

【讨论】：

xor 实现为 function (x, y) { (x | y) & !(x & y) } 而 != 是一个原始函数。我怀疑!= 效率更高。

【解决方案6】：

只是添加到 @HongOoi 我想指出在 R 中 != 和 == 当缺少其中一个值时返回 NA，因此它可能会产生误导性结果

> c(1, NA) == 1:2
[1] TRUE   NA

但是%in% 输出FALSE 用于1 %in% NA 比较。因此，如果在比较向量时要将缺失值计为“不同”，则必须使用 sum(!((x != y) %in% FALSE)) 代码：

> x <- c(1, 8, 5, NA, 5)
> y <- 1:5
> sum(!((x != y) %in% FALSE))
[1] 3

还请注意，x 和 y 向量可能具有不同的长度，这会导致较短向量中的值缺失 - 您可以做两件事：截断较长的向量或声明在较短的向量是“不同的”。这可以用熟悉的 R 参数转换成独立函数：

hamming <- function(x, y, na.rm = TRUE) {
  size <- 1:max(length(x) & length(y))
  x <- x[size]
  y <- y[size]
  if (na.rm) {
    del <- is.na(x) & is.na(y)
    x <- x[del]
    y <- y[del]
  }
  sum(!((x != y) %in% FALSE))
}

此功能使您可以选择是否要将缺失值计为“不同”（na.rm = FALSE）或忽略它们。对于na.rm = TRUE，如果向量的长度不同，则较长的向量会被截断。

【讨论】：