Naprawdę wydaje się mieć dwa oddzielne problemy tutaj.
Problem 1: Biorąc pod uwagę macierz index
, dla każdego wiersza i kolumny i
j
chcesz ustawić test[i,j]
do 2 jeśli j
pojawia się w wierszu i
z index
. Można to zrobić za pomocą prostego indeksowania macierzy, przechodząc przez 2-kolumnową macierz indeksów, gdzie pierwsza kolumna jest rzędem wszystkich elementów, które chcesz indeksować, a druga kolumna jest kolumnami wszystkich elementów, które chcesz indeksować:
test[cbind(as.vector(row(index)), as.vector(index))] <- 2
test
# [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
# [1,] 2 2 0 2 2 2 2 0 2 2
# [2,] 2 0 2 2 2 2 2 0 2 2
# [3,] 2 2 2 2 0 0 2 2 0 0
# [4,] 2 2 0 0 0 2 2 2 0 2
# [5,] 2 2 2 2 0 0 0 0 2 0
# [6,] 0 0 0 0 0 2 2 2 2 0
# [7,] 2 0 2 2 2 2 2 0 0 0
# [8,] 2 0 2 2 2 2 0 2 0 2
# [9,] 2 2 2 2 0 0 2 0 2 2
# [10,] 2 0 2 0 0 2 2 2 2 0
Ponieważ wykonuje to wszystkie operacje w pojedynczej operacji wektorowej, powinna być szybsza niż przechodzenie między wierszami i obsługa ich pojedynczo. Oto przykład z 1 milionem wierszy i 10 kolumnami:
OP <- function(test, index) {
for (i in 1:nrow(test)){
test[i,index[i,]] <- 2
}
test
}
josliber <- function(test, index) {
test[cbind(as.vector(row(index)), as.vector(index))] <- 2
test
}
test.big <- matrix(0, nrow = 1000000, ncol = 10)
set.seed(1234)
index.big <- matrix(sample.int(10, 1000000*10, TRUE), 1000000, 10)
identical(OP(test.big, index.big), josliber(test.big, index.big))
# [1] TRUE
system.time(OP(test.big, index.big))
# user system elapsed
# 1.564 0.014 1.591
system.time(josliber(test.big, index.big))
# user system elapsed
# 0.408 0.034 0.444
W tym przypadku podejście wektoryzacji jest 3.5x szybsze.
Problem 2: Chcesz ustawić wiersz i
z test
do order
stosowanej do odpowiedniego rzędu anyMatrix
. Można to zrobić z apply
:
(test <- t(apply(anyMatrix, 1, order)))
# [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
# [1,] 1 10 7 8 4 5 3 6 2 9
# [2,] 8 7 1 6 3 4 9 5 10 2
# [3,] 4 9 7 1 3 2 6 10 5 8
# [4,] 1 2 6 4 10 3 9 8 7 5
# [5,] 9 6 5 1 2 7 10 4 8 3
# [6,] 9 3 8 6 5 10 1 4 7 2
# [7,] 3 7 2 5 6 8 9 4 1 10
# [8,] 9 8 1 3 4 6 7 10 5 2
# [9,] 8 4 3 6 10 7 9 5 2 1
# [10,] 4 1 9 3 6 7 8 2 10 5
nie spodziewałbym się wielkich zmian w czasie pracy tutaj, ponieważ apply
jest naprawdę zapętlenie poprzez rzędy podobnie do tego, jak zostałeś zapętlenie w roztworze. Mimo to wolałbym to rozwiązanie, ponieważ jest to znacznie mniej pisania i bardziej "R" sposób robienia rzeczy.
Zauważ, że obie te aplikacje używają całkiem innego kodu, co jest dość typowe w manipulowaniu danymi R - istnieje wiele różnych wyspecjalizowanych operatorów i musisz wybrać ten, który jest odpowiedni do Twojego zadania. Nie sądzę, żeby istniała jakaś pojedyncza funkcja, a nawet naprawdę mały zestaw funkcji, które będą w stanie obsłużyć wszystkie manipulacje matrycą, gdzie ta manipulacja opiera się na danych z innej macierzy.
dzięki, ale w jaki sposób cind jest szybszy w pierwszym? Wont cbind zajmuje więcej czasu niż zwykła pętla? Czy masz benchmark? – rmania
@rmania Zaktualizowałem tę odpowiedź, aby uwzględnić wskaźnik pokazujący, że wektoryzowane operacje indeksowania przyniosą przyspieszenia w porównaniu do alternatyw z zapętleniem. W R, zastąpienie wielu powtarzających się szybkich operacji pojedynczą operacją, która wykonuje je wszystkie razem, często powoduje ogromne przyspieszenia. – josliber