在 data.table 或快速子集中快速搜索

Question

我有一个 DF，其中包含 800k+ 行和重复（随机）值。对于每一行，我需要取一个值并找到具有相同值的新行的索引。例如。 "asd" - 我还能在哪里看到它？不需要当前行的索引。

我当前的解决方案：子集一个 DF 并通过删除当前行创建一个临时 frame/table。问题 - 每 1000 次迭代需要一分钟。所以 800+k 行需要我 13 个小时才能运行。有任何想法吗？谢谢！

运行在原始 DF（未子集化）上小于 1 秒，但正如您可以想象的那样，它为我提供了当前行的索引。

编辑：我的现实生活中的 DF 不止 1 列。下面的例子被简化了。我需要获取 V1[1] 并获取值为 V1[1] 的其他 V1 的行号，然后对 V1[2] 重复，依此类推每一行

library(fastmatch)
library(stringi)
set.seed(12345)
V1 = stringi::stri_rand_strings(800000, 3)
df0 = as.data.table(V1)
mapped = matrix("",nrow=800000)

print(Sys.time())
for (i in 1:1000) {
  tmp_df = df0[-i,] #This takes very long time!!!
  mapped[i] = fmatch(df0$V1[i],tmp_df$V1)
}
print(Sys.time())

View(mapped)

Answer 1

数据：

library("data.table")
set.seed(12345)
V1 = stringi::stri_rand_strings(80, 3)
df0 <- data.table( sample(V1, 100, replace = TRUE ))

代码：

df0[, id := list(list(.I)), by = V1]  # integer id

输出：

head(df0, 10)
#     V1          id
# 1: iuR      1,2,21
# 2: iuR      1,2,21
# 3: KXc           3
# 4: LwA           4
# 5: pYn           5
# 6: qoN        6,66
# 7: 5Xt           7
# 8: wBH        8,77
# 9: V9r     9,39,54
# 10: 9ks 10,28,42,48

编辑 - 删除当前索引：

df0[, id2 := 1:.N ]
df0[, id := list(list(unlist(id)[ unlist(id) != .I  ] )), by = id2 ]
df0[, id2 := NULL ]
df0[ lengths(id) > 0, ]
head( df0, 10 )
#     V1       id
# 1: iuR     2,21
# 2: iuR     1,21
# 3: KXc         
# 4: LwA         
# 5: pYn         
# 6: qoN       66
# 7: 5Xt         
# 8: wBH       77
# 9: V9r    39,54
# 10: 9ks 28,42,48

在 data.table 或快速子集中快速搜索

Quick search in data.table or quick subset

r

match

stringdist