Início / coding / Perguntas / 79324988
Accepted
Max
Asked: 2025-01-03 05:14:17 +0800 CST

Identificando linhas de quadro de dados em R com pares específicos de valores em duas colunas

  • 772

Gostaria de identificar todas as linhas em um data frame (ou matriz) cujos valores nas colunas 1 e 2 correspondem a um par específico. Por exemplo, se eu tiver uma matriz

testmat=rbind(c(1,1),c(1,2),c(1,4),c(2,1),c(2,4),c(3,4),c(3,10))

Gostaria de identificar as linhas que contêm qualquer um dos seguintes pares, ou seja, todas as linhas que contêm uma combinação de 1,2 ou 2,4 em suas primeira e segunda colunas

of_interest = rbind(c(1,2),c(2,4))

O seguinte não funciona

which(testmat[,1] %in% of_interest[,1] & testmat[,2] %in% of_interest[,2])

porque, como esperado, ele retorna todas as combinações de 1,2 na primeira coluna e 2,4 na segunda (ou seja, linhas 2,3,5 em vez de apenas as linhas 2 e 5, como desejado), de modo que a linha [1,4] é incluída, mesmo que este não seja um dos pares que estou consultando. Deve haver alguma maneira simples de usar which...%in%... para corresponder a pares específicos como este, mas não consegui encontrar um exemplo disso que funcione.

Observe que preciso das posições/números de linhas que correspondem à condição desejada.

4 respostas

  1. Best Answer

    Abordagem padrão

    Eu assumo que, como você está usando, which()você quer a posição, em vez de apenas se há uma correspondência. Você pode cbind()o número da linha para testmate então merge()isto com of_interest.

    merge(
    cbind(testmat, seq_len(nrow(testmat))),
    of_interest
) |> setNames(c("x", "y", "row_num"))

#   x y row_num
# 1 1 2       2
# 2 2 4       5

    Rcppabordagem com matriz muito grande

    Você mencionou em seu comentário que tem 10e8linhas. Isso me faz pensar em duas coisas:

    1. Não faça merge()isso, pois isso forçará as matrizes a quadros de dados, ou seja, copiará cada coluna em um vetor contíguo à memória, o que será muito caro.
    2. Se of_interesttambém for grande, você quer quebrar o loop o mais cedo possível assim que a correspondência for encontrada, em vez de continuar a iterar. Veja esta pergunta para vantagens de desempenho.

    Dado isso, eu evitaria usar which()ou outras abordagens que não saiam cedo. Aqui está um Rcppcódigo que deve ser muito mais rápido do que merge()com grandes conjuntos de dados:

    Rcpp::cppFunction("
IntegerVector get_row_position(NumericMatrix testmat, NumericMatrix of_interest) {
    const R_xlen_t nrow_testmat = testmat.nrow();
    const R_xlen_t nrow_of_interest = of_interest.nrow();

    IntegerVector result;

    // loop through the rows of testmat
    for (R_xlen_t i = 0; i < nrow_testmat; ++i) {
        NumericMatrix::Row test_row = testmat(i, _);

        for (R_xlen_t j = 0; j < nrow_of_interest; ++j) {
            NumericMatrix::Row interest_row = of_interest(j, _);

            if (is_true(all(test_row == interest_row))) {
                result.push_back(i + 1); // because of 1-indexing
                break; // leave inner loop early
            }
        }
    }
    return result;
}
")

get_row_position(testmat, of_interest)
# [1] 2 5

    Acho que acessar linhas como submatrizes é um código mais idiomático Rcppdo que um for-loop duplo com indexação de matriz, mas não tenho ideia de qual é mais rápido, então se o desempenho for sua principal preocupação, eu tentaria várias abordagens e faria um benchmark.

    • 15

  2. Aqui está uma abordagem com which+asplit

    > which(asplit(testmat, 1) %in% asplit(of_interest, 1))
[1] 2 5

    o que pode ser um pouco ineficiente devido a aplist, mas deve funcionar bem para pequenos conjuntos de dados se a velocidade não for uma das suas preocupações.

    • 5

  3. Você poderia usar paste()os valores do seu exemplo (testmat e of_interest) em um único valor e então fazer uma %in%avaliação. Por exemplo:

    testmat_keys <- paste(testmat[, 1], testmat[, 2], sep = "_")
of_interest_keys <- paste(of_interest[, 1], of_interest[, 2], sep = "_")

which(testmat_keys %in% of_interest_keys) #returns [1] 2 5

    Se %in%não for rápido o suficiente para você, considere tentar %fin%ou fmatch()como fastmatchuma alternativa mais rápida para %in%.

    #install.packages('fastmatch')   
library(fastmatch)

matches <- which(fmatch(test_keys, of_interest_keys, nomatch = 0) > 0)
    • 2

  4. Podemos usar row.names()+ {ivs}.

    Configurar:

    testmat = rbind(c(1,1), c(1,2), c(1,4), c(2,1), c(2,4), c(3,4), c(3,10))
row.names(testmat) = seq_len(nrow(testmat))

    Índice,

    i = testmat[, 1] < testmat[, 2]

    comparar,

    library(ivs)
w = iv_overlaps(iv(testmat[i, 1], testmat[i, 2]), 
                iv_pairs(c(1,2), c(2,4)), 
                type = "equals")

    e indexar novamente:

    > names(i[i == TRUE][w]) # |> strtoi() # to return integers instead
[1] "2" "5"
    • 2

relate perguntas