R：计算单个列中值的连续出现

Question

我希望在每次运行时都创建一个相等值的序号，例如出现次数计数器，一旦当前行中的值与上一行不同，该序号就会重新开始。请在下面找到输入和预期输出的示例。dataset <- data.frame(input = c("a","b","b","a","a","c","a","a","a","a","b","c"))dataset$counter <- c(1,1,2,1,2,1,1,2,3,4,1,1)dataset#    input counter# 1      a       1# 2      b       1# 3      b       2# 4      a       1# 5      a       2# 6      c       1# 7      a       1# 8      a       2# 9      a       3# 10     a       4# 11     b       1# 12     c       1我的问题与这一问题非常相似：值出现的累积顺序。

Answer 1

您需要使用sequence和rle：

> sequence(rle(as.character(dataset$input))$lengths)

 [1] 1 1 2 1 2 1 1 2 3 4 1 1

Answer 2

而从v1.9.8（新闻项目16），采用rowid与rleid

dataset[, counter := rowid(rleid(input))]

计时码：

set.seed(1L)

library(data.table)

DT <- data.table(input=sample(letters, 1e6, TRUE))

DT1 <- copy(DT)

bench::mark(DT[, counter := seq_len(.N), by=rleid(input)], 

    DT1[, counter := rowid(rleid(input))])

时间：

  expression                                              min  median `itr/sec` mem_alloc `gc/sec` n_itr  n_gc total_time

  <bch:expr>                                          <bch:t> <bch:t>     <dbl> <bch:byt>    <dbl> <int> <dbl>   <bch:tm>

1 DT[, `:=`(counter, seq_len(.N)), by = rleid(input)] 613.8ms 613.8ms      1.63    18.8MB     8.15     1     5      614ms

2 DT1[, `:=`(counter, rowid(rleid(input)))]            60.5ms  71.4ms     12.7     26.4MB    14.5      7     8      553ms

现在可以在名为的data.table程序包中获得下面编写的函数的高效且更直接的版本rleid。使用它，就是：

setDT(dataset)[, counter := seq_len(.N), by=rleid(input)]

有关?rleid更多用法和示例，请参见。感谢@Henrik提出的更新此帖子的建议。

rle绝对是最方便的方法（+1 @Ananda）。但是，在更大的数据上，可以做得更好（就速度而言）。您可以按以下方式使用duplist和vecseq函数（未导出）data.table：

require(data.table)

arun <- function(y) {

    w = data.table:::duplist(list(y))

    w = c(diff(w), length(y)-tail(w,1L)+1L)

    data.table:::vecseq(rep(1L, length(w)), w, length(y))

}

x <- c("a","b","b","a","a","c","a","a","a","a","b","c")

arun(x)

# [1] 1 1 2 1 2 1 1 2 3 4 1 1

大数据基准测试：

set.seed(1)

x <- sample(letters, 1e6, TRUE)

# rle solution

ananda <- function(y) {

    sequence(rle(y)$lengths)

}

require(microbenchmark)

microbenchmark(a1 <- arun(x), a2<-ananda(x), times=100)

Unit: milliseconds

            expr       min        lq    median       uq       max neval

   a1 <- arun(x)  123.2827  132.6777  163.3844  185.439  563.5825   100

 a2 <- ananda(x) 1382.1752 1899.2517 2066.4185 2247.233 3764.0040   100

identical(a1, a2) # [1] TRUE

Answer 3

包亚军有专门的解决方案来计算需要什么。streak_run是最快的解决方案，接受向量作为输入。

library(microbenchmark); library(runner)

x      <- sample(letters, 1e6, TRUE)

ananda <- function(y) sequence(rle(y)$lengths)

microbenchmark( a2<-ananda(x), runner <- streak_run(x), times=100)

#Unit: milliseconds

#                expr     min      lq     mean  median       uq      max neval

#     a2 <- ananda(x) 580.744 718.117 1059.676 944.073 1399.649 1699.293    10

#run <- streak_run(x)  37.682  39.568   42.277  40.591   43.947   52.917    10

identical(a2, run)

#[1] TRUE