R 如何用值向量填充索引矩阵

我有一个矩阵（m.idx），其中包含我要索引的向量的位置元素

> m.idx
     [,1] [,2] [,3] [,4] [,5]
[1,]    1    2    3    4    5
[2,]    3    4    5    6    7
[3,]    5    6    7    8    9

假设x是我的向量

x <- c(9,3,2,5,3,2,4,8,9)

我可以用下面的方法笨拙地完成它

> m.pop <- t(matrix(t(matrix(x[c(t(m.idx))])),ncol(m.idx),nrow(m.idx)))

> m.pop
     [,1] [,2] [,3] [,4] [,5]
[1,]    9    3    2    5    3
[2,]    2    5    3    2    4
[3,]    3    2    4    8    9

>m.pop m.pop
[,1] [,2] [,3] [,4] [,5]
[1,]    9    3    2    5    3
[2,]    2    5    3    2    4
[3,]    3    2    4    8    9

但似乎有一种更简单的方法来索引这些值。

---

实现这一点的最佳方法是什么（对于大型集合来说也是最快/最有效的方法？

也许您可以在匹配向量/矩阵后使用

dim

：

matrix(x[m.idx],ncol=5)

     [,1] [,2] [,3] [,4] [,5]
[1,]    9    3    2    5    3
[2,]    2    5    3    2    4
[3,]    3    2    4    8    9

`dim<-`(x[m.idx], dim(m.idx))
#      [,1] [,2] [,3] [,4] [,5]
# [1,]    9    3    2    5    3
# [2,]    2    5    3    2    4
# [3,]    3    2    4    8    9

而且，由于这应该在原始维度的相同维度上返回，因此您只需重新为其指定相同的

dim

---

为了好玩，有些时间安排：

fun1 <- function() `dim<-`(x[m.idx], dim(m.idx))
fun2 <- function() { m.idx[] <- x[m.idx]; m.idx }
fun3 <- function() matrix(x[m.idx], ncol = ncol(m.idx))
fun4 <- function() t(matrix(t(matrix(x[c(t(m.idx))])),ncol(m.idx),nrow(m.idx)))

m.idx <- matrix(c(1, 2, 3, 4, 5, 
                  3, 4, 5, 6, 7, 
                  5, 6, 7, 8, 9), 
                nrow = 3, byrow = TRUE)
x <- c(9, 3, 2, 5, 3, 2, 4, 8, 9)

set.seed(1)
nrow = 10000  ## Adjust nrow and ncol to test different sizes
ncol = 1000
m.idx <- matrix(sample(unique(m.idx), nrow*ncol, TRUE), ncol = ncol)
library(microbenchmark)

microbenchmark(fun1(), fun2(), fun3(), fun4(), times = 10)
# Unit: milliseconds
#    expr       min        lq    median        uq       max neval
#  fun1()  388.7123  403.3614  419.5792  475.7645  553.3420    10
#  fun2()  800.5524  838.2398  872.8189  912.1007  978.1500    10
#  fun3()  694.1511  720.5165  737.9900  799.5069  876.2552    10
#  fun4() 1941.1999 2022.6578 2095.1537 2175.4864 2341.3900    10

fun1怎么样：

m.idx[] <- x[m.idx]
m.idx
#      [,1] [,2] [,3] [,4] [,5]
# [1,]    9    3    2    5    3
# [2,]    2    5    3    2    4
# [3,]    3    2    4    8    9


添加：

另一种方法是使用
结构
，速度也相当快：

structure(x[m.idx], .Dim = dim(m.idx))
#      [,1] [,2] [,3] [,4] [,5]
# [1,]    9    3    2    5    3
# [2,]    2    5    3    2    4
# [3,]    3    2    4    8    9

当应用于Ananda Mahto答案中的大型
m.idx
矩阵时，我机器上的计时为

fun5 <- function() structure(x[m.idx], .Dim = dim(m.idx))
microbenchmark(fun1(), fun2(), fun3(), fun4(), fun5(), times = 10)
# Unit: milliseconds
#    expr       min        lq    median        uq       max neval
#  fun1()  303.3473  307.2064  309.2275  352.5076  353.6911    10
#  fun2()  548.0928  555.3363  587.6144  593.4492  596.5611    10
#  fun3()  480.6181  487.5807  507.5960  529.9696  533.0403    10
#  fun4() 1222.6718 1231.3384 1259.8395 1269.6629 1292.2309    10
#  fun5()  401.8450  403.7216  432.7162  455.4638  487.1755    10
identical(fun1(), fun5())
# [1] TRUE

fun5可能比其他答案更有效，但任何使用
dim@BenBolker，我认为理查德的答案是最恰当的，但你的答案确实更有效率（如果这真的有区别的话……我猜这里给出的三个答案中的任何一个都足够好，这一步不会成为任何计算中的瓶颈）（+1）快5毫秒。@RichardScriven，我同意这有点荒谬，但测试的尺寸不同，它的速度几乎是原来的2倍，这可能会有所不同。这比我的
`DIM要好。你的矩阵有多大？我已经在我的答案中添加了一些基准点。我现在看到的可能是5e3行乘以100列。但随着我的扩大，你的答案可能会有用——tks。用于提供基准。正如我所预料的，我的笨拙方法位于底部。这实际上是一个非常好的答案，因为它不会覆盖原始的
m.idx
矩阵。
m.pop <- m.idx
m.pop[] <- x[m.pop]

structure(x[m.idx], .Dim = dim(m.idx))
#      [,1] [,2] [,3] [,4] [,5]
# [1,]    9    3    2    5    3
# [2,]    2    5    3    2    4
# [3,]    3    2    4    8    9

fun5 <- function() structure(x[m.idx], .Dim = dim(m.idx))
microbenchmark(fun1(), fun2(), fun3(), fun4(), fun5(), times = 10)
# Unit: milliseconds
#    expr       min        lq    median        uq       max neval
#  fun1()  303.3473  307.2064  309.2275  352.5076  353.6911    10
#  fun2()  548.0928  555.3363  587.6144  593.4492  596.5611    10
#  fun3()  480.6181  487.5807  507.5960  529.9696  533.0403    10
#  fun4() 1222.6718 1231.3384 1259.8395 1269.6629 1292.2309    10
#  fun5()  401.8450  403.7216  432.7162  455.4638  487.1755    10
identical(fun1(), fun5())
# [1] TRUE