用於查找與矢量中唯一值關聯的索引的高效R代碼

Question

假設我有矢量vec <- c("D","B","B","C","C")。

我的目標是與尺寸length(unique(vec))，其中該列表中的每個i返回一個表示在vec的unique(vec)[i]位置索引的向量的列表結束。

例如，這個列表vec將返回：

exampleList <- list() 
exampleList[[1]] <- c(1) #Since "D" is the first element 
exampleList[[2]] <- c(2,3) #Since "B" is the 2nd/3rd element. 
exampleList[[3]] <- c(4,5) #Since "C" is the 4th/5th element. 

我嘗試以下方法，但它的速度太慢。我的例子是大的，所以我需要更快的代碼：

vec <- c("D","B","B","C","C") 
uniques <- unique(vec) 
exampleList <- lapply(1:3,function(i) { 
    which(vec==uniques[i]) 
}) 
exampleList 

Answer 1

更新：行爲DT[, list(list(.)), by=.]有時會導致作爲R版本錯誤的結果> = 3.1.0 。現在在data.table v1.9.3的當前開發版本中現在修復了commit #1280。從NEWS：

• DT[, list(list(.)), by=.]回報中的R正確結果> = 3.1.0爲好。該錯誤是由於R v3.1.0中最近（歡迎）的更改導致的，其中list(.)未導致副本。關閉#481。

---

使用data.table大約是15倍比tapply快：

library(data.table) 

vec <- c("D","B","B","C","C") 

dt = as.data.table(vec)[, list(list(.I)), by = vec] 
dt 
# vec V1 
#1: D 1 
#2: B 2,3 
#3: C 4,5 

# to get it in the desired format 
# (perhaps in the future data.table's setnames will work for lists instead) 
setattr(dt$V1, 'names', dt$vec) 
dt$V1 
#$D 
#[1] 1 
# 
#$B 
#[1] 2 3 
# 
#$C 
#[1] 4 5 

速度測試：

vec = sample(letters, 1e7, T) 

system.time(tapply(seq_along(vec), vec, identity)[unique(vec)]) 
# user system elapsed 
# 7.92 0.35 8.50 

system.time({dt = as.data.table(vec)[, list(list(.I)), by = vec]; setattr(dt$V1, 'names', dt$vec); dt$V1}) 
# user system elapsed 
# 0.39 0.09 0.49 

Answer 2

你可以用tapply做到這一點：

vec <- c("D", "B", "B", "C", "C") 
tapply(seq_along(vec), vec, identity)[unique(vec)] 
# $D 
# [1] 1 
# 
# $B 
# [1] 2 3 
# 
# $C 
# [1] 4 5 

的identity函數返回它的參數作爲它的結果，和索引的unique(vec)確保你找回來按照原始矢量中元素的相同順序排列。

Answer 3

爲了保持josilber的答案的順序，只要指數由uniques矢量結果創建：

vec <- c("D","B","B","C","C") 

uniques <- unique(vec) 

tapply(seq_along(vec), vec, identity)[uniques] 

# $D 
# [1] 1 
# 
# $B 
# [1] 2 3 
# 
# $C 
# [1] 4 5 

Answer 4

split(seq_along(vec), vec) 

這是更快，比tapply短解決方案：

vec = sample(letters, 1e7, T) 
system.time(res1 <- tapply(seq_along(vec), vec, identity)[unique(vec)]) 
# user system elapsed 
# 1.808 0.364 2.176 
system.time(res2 <- split(seq_along(vec), vec)) 
# user system elapsed 
# 0.876 0.152 1.029