如果您data.frame相当大,速度可能是你的问题。使用以下想法可以更快地找到重复的集合。
让我们假想为行中的每个可能的值分配一个素数并计算每行的乘积。例如,对于给定的df
,我们可以接受primenums = c(2,3,5,7)
并计数产品c(30,30,70)
。然后在这个产品向量中重复对应于我们data.frame中的重复集合。由于乘法的计算速度要快得多,所以可以提高效率。 代码如下。
require("numbers")
primenums <- Primes(100)[1:4]
dfmult <- apply(as.matrix(df), 1, function(z) prod(primenums[z]))
my_indx <- !duplicated(dfmult)
df[my_indx,]
在这里,我们初始化向量primenums
与功能Primes
从包numbers
的帮助,但你可以在其他的方式做手工。
看看这个例子。在这里我展示了效率的比较。
require("numbers")
# generate all unique combinations 10 out of 20
allcomb <- t(combn(20,10))
# make sample of 1 million rows
set.seed(789)
df <- allcomb[sample(nrow(allcomb), 1e6, T),]
# lets sort matrix to show we have duplicates
df <- df[do.call(order, lapply(1:ncol(df), function(i) df[, i])), ]
head(df, 10)
# [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
# [1,] 1 2 3 4 5 6 7 8 9 10
# [2,] 1 2 3 4 5 6 7 8 9 10
# [3,] 1 2 3 4 5 6 7 8 9 10
# [4,] 1 2 3 4 5 6 7 8 9 10
# [5,] 1 2 3 4 5 6 7 8 9 11
# [6,] 1 2 3 4 5 6 7 8 9 11
# [7,] 1 2 3 4 5 6 7 8 9 11
# [8,] 1 2 3 4 5 6 7 8 9 11
# [9,] 1 2 3 4 5 6 7 8 9 11
# [10,] 1 2 3 4 5 6 7 8 9 11
# to be fair need to permutate numbers in rows before searching for identical sets
df <- t(apply(df, 1, function(z) z[sample(10,10)]))
df <- as.data.frame(df)
names(df) <- letters[1:10]
# how does it look like now?
head(df, 10)
# a b c d e f g h i j
# 1 2 3 7 9 10 1 4 8 5 6
# 2 4 2 6 3 8 10 9 1 5 7
# 3 4 2 6 8 5 1 10 7 3 9
# 4 6 8 5 4 2 1 10 9 7 3
# 5 11 2 7 6 8 1 9 4 5 3
# 6 9 6 3 11 4 2 8 7 5 1
# 7 5 2 3 11 1 8 6 9 7 4
# 8 3 9 7 1 2 5 4 8 11 6
# 9 6 2 8 3 4 1 11 5 9 7
# 10 4 6 3 9 7 2 1 5 11 8
# now lets shuffle rows to make df more plausible
df <- df[sample(nrow(df), nrow(df)),]
现在,当data.frame准备就绪时,我们可以测试不同的算法。
system.time(indx <- !duplicated(t(apply(df, 1, sort))))
# user system elapsed
# 119.75 0.06 120.03
# doesn't impress, frankly speaking
library(sets)
system.time(indx <- !duplicated(apply(df, 1, as.set)))
# user system elapsed
# 91.60 0.00 91.89
# better, but we want faster! =)
# now lets check out the method with prime numbers
primenums <- Primes(100)[1:20]
# [1] 2 3 5 7 11 13 17 19 23 29 31 37 41 43 47 53 59 61 67 71
system.time({
dfmult <- apply(as.matrix(df), 1, function(z) prod(primenums[z]))
my_indx <- !duplicated(dfmult) })
# user system elapsed
# 6.44 0.16 6.61
# not bad, isn't it? but lets compare results
identical(indx, my_indx)
# [1] TRUE
# So, if there is no difference, why wait more? ;)
有一个重要的假设在这里 - 我们使用as.matrix(df)
,但如果出现在我们的data.frame
不仅是数值型变量?一个更统一的解决方案如下:
system.time({
dfmult <- apply(
apply(df, 2, function(colmn) as.integer(factor(colmn,
levels = unique(c(as.matrix(df)))))),
1, function(z) prod(primenums[z]))
my_indx <- !duplicated(dfmult) })
# user system elapsed
# 27.48 0.34 27.84
# is distinctly slower but still much faster then previous methods
那么如果我们有很多列或非常不同的变量呢?在这种情况下,而不是prod()
,我们可以使用sum(log())
(这对于大数字来说可能更快)。看看这个。
pr <- Primes(5e7)
length(pr)
# [1] 3001134
system.time(N <- sum(log(pr)))
# user system elapsed
# 0.12 0.00 0.13
N
# [1] 49993718
很难想象df
与3百万列,但在这里没关系。通过这种方式,我们可以携带任何难以置信的巨大尺寸的df
和我们的RAM可容纳的列数。
这是一个很好的,但不知道如果你在这里做'as.matrix(df)'有点作弊。 –
+ 1非常快,我喜欢使用素数因子分解的想法,但这种方法有两个限制:1)如果有大量列使用素数的乘积将不起作用(例如'prod(Primes(200) )'等于'prod(Primes(201))')和2)如果数据帧包含大量不同的元素,它将不会工作(因为您需要为每个元素生成素数,这可能很麻烦,而且因为产品不会像以前那样被计算机所区分) – konvas
为了保持冷静,不要留下作弊者而不是'as.matrix',我们可以应用(df,2,function(colmn)as.integer(因子(colmn,levels = unique(c(as.matrix(df))))))'。它会变慢,但不是很多,我会给明天的计时和更新答案,因为现在我远离PC。我同意,素数的使用有一定的局限性,但也许你可以尝试不同的r软件包,这些软件包可以处理非常庞大的数字? – inscaven