web-dev-qa-db-ja.com

単一の列で連続する値の数を数える

現在の行の値が前の行と異なると再開する発生回数のカウンターのように、同じ値の各実行内に連続番号を作成したいと思います。

入力と期待される出力の例を以下に示します。

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

私の質問はこれと非常に似ています： 値の発生の累積シーケンス 。

rcountfind-occurrences
20
Richard

sequenceとrleを使用する必要があります：

> sequence(rle(as.character(dataset$input))$lengths)
 [1] 1 1 2 1 2 1 1 2 3 4 1 1
35
A5C1D2H2I1M1N2O1R2T1

下記の関数のより効率的で簡単なバージョンが、rleidと呼ばれるdata.tableパッケージで利用可能になりました。それを使用すると、それはただです：

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

使用法と例の詳細については、?rleidを参照してください。この投稿を更新する提案をしてくれた@Henrikに感謝します。

rleは間違いなく最も便利な方法です（+1 @ Ananda's）。しかし、より大きなデータに対しては（速度の点で）より良いことができます。次のように、data.tableからduplist関数とvecseq関数（エクスポートされない）を使用できます。

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

ビッグデータのベンチマーク：

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
18
Arun

パッケージ runner には、必要なものを計算するための専用ソリューションがあります。 streak_runは最速のソリューションであり、入力としてベクトルを受け入れます。

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
1
GoGonzo