使用`dplyr计算有效汉明距离`

我需要计算（缩放）的汉明字符串距离

d（x，y）={x_i！=y_i:i=1，…，n}/n

其中

x

和

y

是长度为

n

的字符串。我使用R和dplyr/tidyverse，并将汉明距离定义为

hamdist = function(x,y) mean(str_split(x, "")[[1]] != str_split(y, "")[[1]])

这个很好用。但是，因为我想按列应用它，所以必须使用

rowwise

动词（或者使用purr包中的

map2

）。问题是：我的数据集包含约5000万次观测，因此计算需要几个小时

因此，我的问题是：是否有一种更平滑/更有效的方法来实现列操作的汉明字符串距离

（最好使用dplyr解决方案）

一个例子：

n = 1000
l = 8

rstr = function(n, l = 1) replicate(n, paste0(letters[floor(runif(l, 1, 27))], collapse = ""))

hamdist = function(x,y) mean(str_split(x, "")[[1]] != str_split(y, "")[[1]])

df = tibble(a = rstr(n, l), b = rstr(n, l))

df %>% mutate(dist = hamdist(a, b)) # wrong!
df %>% rowwise() %>% mutate(dist = hamdist(a, b)) # correct! but slow for n = 50 mio

---

请参阅

stringdist

包。函数

stringdist

接受一个

方法

参数，该参数可以是

“hamming”

。

stringdist

包声称：

专为速度而建，使用openMP进行并行计算

---

你能给我举个例子吗？我加了一个例子。谢谢。这个函数实际上运行得非常快：

>system.time（df%>%mutate（dist=stringdist（a，b，method=“hamming”）/8））用户系统运行0.002 0.000 0.001和
>system.time（df%>%rowwise（）%%>%mutate（dist=hamdist（a，b）））用户系统运行1.0820 0.020 1.102（对于n=10000）