Dataframe 矢量化；在；朱莉娅的作用？

我经常想在数据帧的长数组或列上循环，并且对于每个项，查看它是否是另一个数组的成员。而不是做

giant_list = ["a", "c", "j"]
good_letters = ["a", "b"]
isin = falses(size(giant_list,1))
for i=1:size(giant_list,1)
    isin[i] = giant_list[i] in good_letters
end

在julia中有没有矢量化（双重矢量化？）的方法？与基本运算符类似，我想做如下操作

isin = giant_list .in good_letters

我意识到这可能不可能，但我只是想确保我没有遗漏什么。我知道我可能可以使用DataStructures中的DefaultDict来做类似的事情，但我不知道base中的任何东西

该函数执行与您所需类似的操作：

indexin（a，b）

对于

a

中作为

b

成员的每个值，返回包含

b

中最高索引的向量。如果

a

不是

b

的成员，则输出向量包含0

由于您希望在

巨型字母列表中的每个元素都有一个布尔值（而不是
好字母
中的索引），您只需执行以下操作：

julia> indexin(giant_list, good_letters) .> 0
3-element BitArray{1}:
  true
 false
 false

这是非常简单的，并且指出了如果您不关心
b
中的索引，您可以如何对此进行优化：

function vectorin(a, b)
    bset = Set(b)
    [i in bset for i in a]
end

只有一组有限的名称可以用作中缀运算符，因此不可能将其用作中缀运算符。
在Julia v0.6中，使用

通过使用一个元素元组来记录好字母的数量。或者，您可以使用标量类型，如staticArray.jl中引入的类型

Julia v0.5支持相同的语法，但需要一个专门的函数来进行scalarification（或前面提到的
Scalar
类型）：

之后

julia> in.(giant_list, scalar(good_letters))
3-element Array{Bool,1}:
  true
 false
 false

findin（）
不提供布尔掩码，但您可以轻松使用它为包含在另一个数组中的值的数组/数据帧子集：

julia> giant_list[findin(giant_list, good_letters)]
1-element Array{String,1}:
 "a"

有几种现代（即Julia v1.0）解决方案可以解决此问题：

首先，对标量策略进行更新。可以使用
Ref
对象实现标量广播，而不是使用1元素元组或数组：

julia> in.(giant_list, Ref(good_letters))
3-element BitArray{1}:
  true
 false
 false

通过播放中缀
∈（
\in
选项卡）运算符：

julia> giant_list .∈ Ref(good_letters)
3-element BitArray{1}:
  true
 false
 false

此外，使用一个参数调用
中的
，将创建一个
Base.Fix2
，稍后可通过广播调用应用该函数。不过，与简单地定义函数相比，这似乎具有有限的好处

julia> is_good1 = in(good_letters);
       is_good2(x) = x in good_letters;

julia> is_good1.(giant_list)
3-element BitArray{1}:
  true
 false
 false

julia> is_good2.(giant_list)
3-element BitArray{1}:
  true
 false
 false

总之，使用
。∈Ref
的code>可能会产生最短、最干净的代码。
性能评估
其他答案忽略了一个重要方面——性能。所以，让我简单回顾一下。为了实现这一点，我创建了两个
Integer
向量，每个向量包含100000个元素

using StatsBase

a = sample(1:1_000_000, 100_000)
b = sample(1:1_000_000, 100_000)

为了知道什么是好的性能，我在
R
中做了同样的事情，导致性能中值为
4.4 ms
：

# R code

a <- sample.int(1000000, 100000)
b <- sample.int(1000000, 100000)

microbenchmark::microbenchmark(a %in% b)

Unit: milliseconds
     expr     min       lq     mean   median       uq      max neval
 a %in% b 4.09538 4.191653 5.517475 4.376034 5.765283 65.50126   100

比
R
慢，但相差不大。然而，语法确实需要一些改进

不共振解
速度慢了800倍（几乎比
R
慢了1000倍）——这真的没什么好写的。在我看来，这三种解决方案的语法也不是很好，但至少在我看来，第一种解决方案比“性能解决方案”要好

这不是一个解决方案
这个

indexin(a,b)

5.287 ms (38 allocations: 6.53 MiB)

是有效的，但对我来说这不是一个解决方案。当元素不在另一个向量中时，它不包含任何元素。在我看来，主要的应用是对一个向量进行子集，而这不适用于这个解决方案

a[indexin(b,a)]

ERROR: ArgumentError: unable to check bounds for indices of type Nothing

这在DataArray上运行得很好，尽管它在NAs上运行得不好（幸运的是，这对我来说并不重要）。我想我在这里遗漏了一些东西：上面的命令和0.5.0中抛出错误的几个变体。@ARM:啊，对不起，原来我一直在0.6.0上测试，在0.6.0上，确切的命令可以工作。在0.5.0上，您需要一个零维数组（或
标量
类型）。@ARM我已经用一个同样适用于0.5的答案更新了我的解决方案。注意：这适用于数组，但不适用于0.6上的DataArray。Matt B.的答案仍然适用于这两种情况。请注意，
findin
在0.7中被弃用，并从1.0中删除
findall（在（…），…）
替换它。
findall(in(b),a)

5.039 ms (27 allocations: 3.63 MiB)

a .∈ Ref(b)
in.(a,Ref(b))
findall(x -> x in b, a)

3.879468 seconds (6 allocations: 16.672 KiB)
3.866001 seconds (6 allocations: 16.672 KiB)
3.936978 seconds (178.88 k allocations: 5.788 MiB)

indexin(a,b)

5.287 ms (38 allocations: 6.53 MiB)

a[indexin(b,a)]

ERROR: ArgumentError: unable to check bounds for indices of type Nothing