pasta grid - expand.grid per concatenazione di stringhe

Question

Se vogliamo ottenere tutte le combinazioni di due vettori, possiamo usare rep regole/riciclaggio:

x <- 1:4 
y <- 1:2 

cbind(rep(x, each = length(y)), rep(y, length(x))) 
#  [,1] [,2] 
# [1,] 1 1 
# [2,] 1 2 
# [3,] 2 1 
# [4,] 2 2 
# [5,] 3 1 
# [6,] 3 2 
# [7,] 4 1 
# [8,] 4 2 

Ma expand.grid è molto più bello - gestisce tutte le ripetizione per noi.

expand.grid(x, y) 
# Var1 Var2 
# 1 1 1 
# 2 2 1 
# 3 3 1 
# 4 4 1 
# 5 1 2 
# 6 2 2 
# 7 3 2 
# 8 4 2 

Esiste una versione semplice di questo per concatenare le stringhe? Mi piace paste.grid? Ho un oggetto denominato dove molti oggetti hanno nomi come x_y_z dove x, e z variano come x e sopra.

Per esempio, supponiamo x può essere "avg" o "median", y può essere "male" o "female", e z può essere "height" o "weight". Come possiamo ottenere in modo conciso tutte e 8 le combinazioni dei tre?

Utilizzando rep è un dolore:

x <- c("avg", "median") 
y <- c("male", "female") 
z <- c("height", "weight") 
paste(rep(x, each = length(y) * length(z)), 
     rep(rep(y, each = length(z)), length(x)), 
     rep(z, length(x) * length(y)), sep = "_") 

e riqualificando expand.grid è un po 'goffo (e probabilmente inefficiente):

apply(expand.grid(x, y, z), 1, paste, collapse = "_") 

mi sto perdendo qualcosa? C'è un modo migliore per farlo?

Answer 1

Sì, questo è ciò che interaction fa

levels(interaction(x,y,z,sep='_')) 

L'implementazione è praticamente lo stesso del tuo codice rep.

Uscite:

 
[1] "avg_female_height" "median_female_height" "avg_male_height"  "median_male_height" "avg_female_weight" 
[6] "median_female_weight" "avg_male_weight"  "median_male_weight" 

Answer 2

rudimentale (microbenchmark::microbenchmark) analisi comparativa mostra una piuttosto significativo speed-up utilizzando:

library(tidyr) 
library(magrittr) 

df <- data.frame(x, y, z) 

df %>% 
    complete(x, y, z) %>% 
    unite("combo", x, y, z, sep = "_") 

Un po 'più lento, ma forse più semplice e la variante vectorized l'apply tecnica:

df <- expand.grid(x, y, z) 
df$combo <- paste(df$Var1, df$Var1, df$Var3, sep = "_") 

Qualcuno dovrebbe carillon con un approccio data.table ...

---

Benchmarking: Piccolo griglia (256 elementi)

set.seed(21034) 
x <- sample(letters, 4, TRUE) 
y <- sample(letters, 4, TRUE) 
z <- sample(letters, 4, TRUE) 
a <- sample(letters, 4, TRUE) 

library(data.table) 
library(microbenchmark) 
library(magrittr) 
library(tidyr) 

microbenchmark(times = 25L, 
       DT1 = CJ(x, y, z, a)[ , paste(V1, V2, V3, V4, sep = "_")], 
       DT2 = CJ(x, y, z, a)[ , do.call(paste, c(.SD, sep = "_"))], 
       app1 = do.call(paste, c(expand.grid(x, y, z, a), sep = "_")), 
       app2 = paste((df <- expand.grid(x, y, z, a))$Var1, 
          df$Var2, df$Var3, sep = "_"), 
       magg_outer = outer(x, y, paste, sep = "_") %>% 
       outer(z, paste, sep = "_") %>% 
       outer(a, paste, sep = "_") %>% as.vector, 
       magg_tidy = data.frame(x, y, z, a) %>% 
       complete(x, y, z, a) %>% 
       unite("combo", x, y, z, a, sep = "_"), 
       interaction = levels(interaction(x, y, z, a, sep = "_")), 
       original = apply(expand.grid(x, y, z, a), 1, paste, collapse = "_"), 
       rep = paste(rep(x, each = (ny <- length(y)) * (nz <- length(z)) * 
           (na <- length(a))), 
          rep(rep(y, each = nz * na), (nx <- length(x))), 
          rep(rep(z, each = na), nx * ny), sep = "_"), 
       Reduce = Reduce(function(x, y) paste(rep(x, each = length(y)), 
                rep(y, length(x)), sep = "_"), 
           list(x, y, z, a))) 

# Unit: microseconds 
#   expr  min  lq  mean median  uq  max neval cld 
#   DT1 529.578 576.6400 624.00002 589.8270 604.9845 5449.287 1000 d 
#   DT2 561.028 606.4220 639.94659 620.4335 636.2735 5484.514 1000 d 
#   app1 201.043 225.4475 240.36960 233.4795 243.7090 4244.687 1000 b  
#   app2 196.692 225.6130 244.33543 234.0455 243.7925 4110.605 1000 b  
# magg_outer 164.352 194.1395 205.30300 204.4220 211.1990 456.122 1000 b  
# magg_tidy 1872.228 2038.1560 2150.98234 2067.8770 2126.1025 21891.884 1000  f 
# interaction 254.885 295.1935 313.54392 306.6680 316.8095 4196.465 1000 c 
#  original 852.018 935.4960 976.24388 954.5115 972.5550 4973.724 1000  e 
#   rep 50.737 54.1515 60.22671 55.3660 56.9220 3823.655 1000 a  
#  Reduce 58.395 65.3860 68.46049 66.8920 68.5640 158.184 1000 a  

Benchmarking: griglia di grandi dimensioni (1.000.000 elementi)

set.seed(21034) 
x <- sprintf("%03d", sample(100)) 
y <- sprintf("%03d", sample(100)) 
z <- sprintf("%02d", sample(10)) 
a <- sprintf("%02d", sample(10)) 

library(data.table) 
library(microbenchmark) 
library(magrittr) 
library(tidyr) 

microbenchmark(times = 25L, 
       DT1 = CJ(x, y, z, a)[ , paste(V1, V2, V3, V4, sep = "_")], 
       DT2 = CJ(x, y, z, a)[ , do.call(paste, c(.SD, sep = "_"))], 
       app1 = do.call(paste, c(expand.grid(x, y, z, a), sep = "_")), 
       app2 = paste((df <- expand.grid(x, y, z, a))$Var1, 
          df$Var2, df$Var3, sep = "_"), 
       magg_outer = outer(x, y, paste, sep = "_") %>% 
       outer(z, paste, sep = "_") %>% 
       outer(a, paste, sep = "_") %>% as.vector, 
       magg_tidy = data.frame(x, y, z, a) %>% 
       complete(x, y, z, a) %>% 
       unite("combo", x, y, z, a, sep = "_"), 
       interaction = levels(interaction(x, y, z, a, sep = "_")), 
       original = apply(expand.grid(x, y, z, a), 1, paste, collapse = "_"), 
       rep = paste(rep(x, each = (ny <- length(y)) * (nz <- length(z)) * 
           (na <- length(a))), 
          rep(rep(y, each = nz * na), (nx <- length(x))), 
          rep(rep(z, each = na), nx * ny), sep = "_"), 
       Reduce = Reduce(function(x, y) paste(rep(x, each = length(y)), 
                rep(y, length(x)), sep = "_"), 
           list(x, y, z, a))) 

# Unit: milliseconds 
#   expr  min  lq  mean median  uq  max neval cld 
#   DT1 360.6528 467.8408 517.4579 520.1484 549.1756 861.1567 25 ab 
#   DT2 355.0438 504.9642 572.0732 551.9106 615.6621 927.3210 25 b 
#   app1 727.4513 766.3053 926.1888 910.3998 957.7610 1690.1540 25 c 
#   app2 472.5724 567.1121 633.5304 600.3779 634.3158 1135.7535 25 b 
# magg_outer 384.0112 475.5070 600.6317 525.8936 676.7134 927.6736 25 b 
# magg_tidy 520.6428 602.5028 695.5500 680.8821 748.8746 1180.1107 25 bc 
# interaction 353.7317 481.4732 531.0035 518.7084 585.0872 693.5171 25 ab 
#  original 4965.1156 5358.8704 5914.3560 5780.6609 6074.7470 9024.6476 25 d 
#   rep 206.0964 236.5811 273.1093 252.8179 285.0910 455.1776 25 a 
#  Reduce 322.0695 390.2595 446.3948 424.9185 508.5235 621.1878 25 ab 

Answer 3

Cosa succede ad usare outer()? I suoi due esempi diventano

x <- 1:4 
y <- 1:2 
as.vector(outer(x, y, paste, sep = "_")) 
## [1] "1_1" "2_1" "3_1" "4_1" "1_2" "2_2" "3_2" "4_2" 

library(magrittr) 
x <- c("avg", "median") 
y <- c("male", "female") 
z <- c("height", "weight") 
outer(x, y, paste, sep = "_") %>% outer(z, paste, sep = "_") %>% as.vector 
## [1] "avg_male_height"  "median_male_height" "avg_female_height" "median_female_height" "avg_male_weight"  
## [6] "median_male_weight" "avg_female_weight" "median_female_weight" 

Il secondo esempio può essere semplificato un po 'con Reduce():

Reduce(function(a, b) outer(a, b, paste, sep = "_"), list(x, y, z)) %>% as.vector 

Non è efficiente, tuttavia. Utilizzando microbenchmark, trovo che la tua soluzione che utilizza rep() è circa 10 volte più veloce.

Answer 4

Utilizzo dei dati.del tavolo CJ trasversale che unisce la funzione:

library(data.table) 
CJ(x,y,z)[, paste(V1,V2,V3, sep = "_")] 
#[1] "avg_female_height" "avg_female_weight" "avg_male_height"  "avg_male_weight"  
#[5] "median_female_height" "median_female_weight" "median_male_height" "median_male_weight" 

o una variazione del vostro approccio apply sarebbe:

do.call(paste, c(expand.grid(x, y, z), sep = "_")) 
#[1] "avg_male_height"  "median_male_height" "avg_female_height" "median_female_height" 
#[5] "avg_male_weight"  "median_male_weight" "avg_female_weight" "median_female_weight"