Performance 求R中矩阵中整数向量索引的最快方法

在R中有以下问题（对于马尔可夫链）。假设有一个状态空间矩阵S，其中有行唯一的整数向量（状态）。我从这个矩阵中得到了一个向量s，我想确定对应于这个向量的行的索引。有两种解决方案：

使用

all.equal

的解决方案，如：

which(apply(S,1,function(x){ isTRUE(all.equal(s,x)) }) )

将向量映射到唯一字符串，并使用此字符串标识它们：

statecodes <- apply(S,1,function(x) paste(x,collapse=" ") ) 
check.equal <- function(s) {
    z <- which(statecodes == paste(s, collapse=" "))
    return(z)
}
check.equal(s)

---

statecodes一种方法是
其中（colSums（abs（t（S）-V））==0）
其中
V
是您要查找的向量。
获取每个状态的整数值的一种简单方法是将值转换为整数，然后将每列乘以右基

我的版本是
makecheck2
；使用粘贴的版本是
makecheck2
。我还修改了
粘贴
版本以使用
匹配
，因此它可以同时检查多个值。现在，两个版本都返回一个用于获取匹配项的函数

我的版本设置更快；0.065秒对1.552秒

N <- 5
I <- rep(10,N)
S <- as.matrix(expand.grid( lapply(1:N, function(i) { 0:I[i]}) ) )
system.time(f1 <- makecheck1(S))
#   user  system elapsed 
#  1.547   0.000   1.552 
system.time(f2 <- makecheck2(S))
#   user  system elapsed 
#  0.063   0.000   0.065 

两个版本的代码如下所示：

makecheck2 <- function(m) {
  codes <- vector("list", length=ncol(m))
  top <- vector("integer", length=ncol(m)+1)
  top[1L] <- 1L
  for(idx in 1:ncol(m)) {
    codes[[idx]] <- unique(m[,idx])
    top[idx+1L] <- top[idx]*length(codes[[idx]])
  }
  getcode <- function(x) {
    out <- 0L
    for(idx in 1:length(codes)) {
      out <- out + top[idx]*match(x[,idx], codes[[idx]])
    }
    out
  }
  key <- getcode(m)
  f <- function(x) {
    if(!is.matrix(x)) {
      x <- matrix(x, ncol=length(codes))
    }
    match(getcode(x), key)
  }
  rm(m) # perhaps there's a better way to remove these from the closure???
  rm(idx)
  f
}

makecheck1 <- function(m) {
  n <- ncol(m)
  statecodes <- apply(m,1,function(x) paste(x,collapse=" ") )
  rm(m)
  function(x) {
    if(!is.matrix(x)) {
      x <- matrix(x, ncol=n)
    }
    x <- apply(x, 1, paste, collapse=" ")
    match(x, statecodes)
  }
}

makecheck2不应将
V
替换为
矩阵（V，nrow，ncol，byrow=TRUE）
？谢谢提示。这是可行的，但似乎比将向量映射到唯一标识符（我的第二种方法）要慢。我想更多的是把一个向量转换成一个唯一的整数，但还不知道如何转换。这个比较需要反复进行，所以应该非常快，最好不要太占用内存。哇。您的解决方案大约快六倍。我想知道是否可以做得更快。对572392x6矩阵重复这两个步骤1000次。你的91.61秒，我的10.35秒。在这么大的矩阵上做所有的向量运算也会占用更多的内存。虽然我有一些想法，但这要求输出是数值而不是字符串。换句话说：我需要一个更好的映射。除非我遗漏了什么，否则，
sum（abs（X-Y））==0
是必要的，但还不够。它本质上是一个弱校验和。如果希望X的每个元素都等于Y中对应的元素，则需要检查每个元素对。另一种方法是使用等效的FEC（前向纠错）编码方法来实现高概率的完全模式匹配。在第二种解决方案中，创建状态码所需的时间是否重要？也就是说，如果要对每个状态空间进行大量测试，那么这一部分只需执行一次，因此速度可能会较慢。但是，如果您只对每个状态空间执行一个测试，那么无论如何都需要对每个测试执行该测试。首选的解决方案可能会有所不同，这取决于您所处的条件。我会对状态空间矩阵中的每个向量重复执行这些比较，多次。因此，状态码向量的创建时间不是很重要。我先牺牲一点时间，以便以后生活得更好。也许我应该提一下。因此，我正在寻找一种可以使搜索尽可能快的方法，而不考虑预计算的时间。如果您的值是（小的）整数，并且可以很容易地使其变为非负，那么这可以加快速度，因为
匹配
与唯一值匹配是不必要的。（如果可能需要小量以避免溢出）PPS。还有，请检查我的数学。我有一种预感，我应该先将匹配结果减去1，然后再乘以基数。另外，我认为这基本上就是@danas的评论中的链接。zuokas的答案就是这样做的。非常有用！我明天会更仔细地看一看，但这似乎正是我要找的东西。是的，这很好用！顺便说一句，对于单次比较，
哪个
比
匹配
快，但是对于多次比较，
匹配
更快。为了进行多重比较，我必须重写我的代码。非常感谢你的帮助！
> set.seed(5)
> k <- lapply(0:4, function(idx) sample(1:nrow(S), 10^idx))
> s <- lapply(k, function(idx) S[idx,])
> t1 <- sapply(s, function(x) unname(system.time(for(i in 1:100) f1(x))[1]))
> t2 <- sapply(s, function(x) unname(system.time(for(i in 1:100) f2(x))[1]))
> data.frame(n=10^(0:4), time1=t1, time2=t2)
      n time1 time2
1     1 0.761 1.512
2    10 0.772 1.523
3   100 0.857 1.552
4  1000 1.592 1.547
5 10000 9.651 1.848

makecheck2 <- function(m) {
  codes <- vector("list", length=ncol(m))
  top <- vector("integer", length=ncol(m)+1)
  top[1L] <- 1L
  for(idx in 1:ncol(m)) {
    codes[[idx]] <- unique(m[,idx])
    top[idx+1L] <- top[idx]*length(codes[[idx]])
  }
  getcode <- function(x) {
    out <- 0L
    for(idx in 1:length(codes)) {
      out <- out + top[idx]*match(x[,idx], codes[[idx]])
    }
    out
  }
  key <- getcode(m)
  f <- function(x) {
    if(!is.matrix(x)) {
      x <- matrix(x, ncol=length(codes))
    }
    match(getcode(x), key)
  }
  rm(m) # perhaps there's a better way to remove these from the closure???
  rm(idx)
  f
}

makecheck1 <- function(m) {
  n <- ncol(m)
  statecodes <- apply(m,1,function(x) paste(x,collapse=" ") )
  rm(m)
  function(x) {
    if(!is.matrix(x)) {
      x <- matrix(x, ncol=n)
    }
    x <- apply(x, 1, paste, collapse=" ")
    match(x, statecodes)
  }
}