在数据框中计算有效观测值（没有NA）的成对数量。

Question

假设我有以下这样的数据框：

Df <- data.frame(
    V1 = c(1,2,3,NA,5),
    V2 = c(1,2,NA,4,5),
    V3 = c(NA,2,NA,4,NA)
)

现在我想要统计每个两个变量组合的有效观测值数量。为此，我编写了一个名为 sharedcount 的函数：

sharedcount <- function(x,...){
    nx <- names(x)
    alln <- combn(nx,2)
    out <- apply(alln,2,
      function(y)sum(complete.cases(x[y]))
    )
    data.frame(t(alln),out)
}

这将会输出以下结果：

> sharedcount(Df)
  X1 X2 out
1 V1 V2   3
2 V1 V3   1
3 V2 V3   2

一切都好，但是这个函数对于大型数据框（600个变量和约10000个观测值）需要相当长的时间。我有一种感觉，我可能正在忽视一个更简单的方法，特别是因为cor(..., use='pairwise') 仍然运行得要快得多，尽管它必须做类似的事情：

> require(rbenchmark)    
> benchmark(sharedcount(TestDf),cor(TestDf,use='pairwise'),
+     columns=c('test','elapsed','relative'),
+     replications=1
+ )
                           test elapsed relative
2 cor(TestDf, use = "pairwise")    0.25     1.0
1           sharedcount(TestDf)    1.90     7.6

非常感谢您的提问。

---

注意：使用Vincent的技巧，我编写了一个函数来返回相同的数据框。请查看下面我的答案中的代码。

- Joris Meys

Answer 1

以下稍微快一些：

x <- !is.na(Df)
t(x) %*% x

#       test elapsed relative
#    cor(Df)  12.345 1.000000
# t(x) %*% x  20.736 1.679708

- Vincent Zoonekynd

---

很好！使用crossprod(x)代替t(x) %*% x可以稍微提高一下效率。我仍然需要把它放进一个类似例子中的数据框中，但这并不难。 - Joris Meys

由于您的技巧是缩短时间的关键，因此您的回答被接受。我提供了自己的函数作为参考答案。 - Joris Meys

Answer 2

我认为Vincent的代码看起来非常优雅，更不用说比我的初级for循环快得多了。但是它似乎需要一个提取步骤，我在下面添加了。这只是使用数据框时apply方法的重负的一个例子。

shrcnt <- function(Df) {Comb <- t(combn(1:ncol(Df),2) )
shrd <- 1:nrow(Comb)
for (i in seq_len(shrd)){ 
     shrd[i] <- sum(complete.cases(Df[,Comb[i,1]], Df[,Comb[i,2]]))}
return(shrd)}

   benchmark(
      shrcnt(Df), sharedcount(Df), {prs <- t(x) %*% x; prs[lower.tri(prs)]}, 
      cor(Df,use='pairwise'),
        columns=c('test','elapsed','relative'),
        replications=100
      )
 #--------------
                       test elapsed relative
3                         {   0.008      1.0
4 cor(Df, use = "pairwise")   0.020      2.5
2           sharedcount(Df)   0.092     11.5
1                shrcnt(Df)   0.036      4.5

- IRTFM

---

还有一个不错的优化技巧。对我来说，带回家的教训是：使用索引而不是名称。 - Joris Meys

Answer 3

基于Vincent的巧妙技巧和DWin的lower.tri()建议，我想出了以下函数，它给我与原始函数相同的输出（即数据框），并且运行速度要快得多：

sharedcount2 <- function(x,stringsAsFactors=FALSE,...){
    counts <- crossprod(!is.na(x))
    id <- lower.tri(counts)
    count <- counts[id]
    X1 <- colnames(counts)[col(counts)[id]]
    X2 <- rownames(counts)[row(counts)[id]]
    data.frame(X1,X2,count)
}

请注意使用crossprod()，因为与%*%相比，它可以略微提高性能，但实际上执行的是完全相同的操作。

时间如下：

> benchmark(sharedcount(TestDf),sharedcount2(TestDf),
+           replications=5,
+           columns=c('test','replications','elapsed','relative'))

                  test replications elapsed relative
1  sharedcount(TestDf)            5   10.00 90.90909
2 sharedcount2(TestDf)            5    0.11  1.00000

注意: 我在问题中提供了TestDf，因为我注意到时间取决于数据框的大小而有所不同。如下所示，与使用小型数据框相比，时间增加得更加剧烈。

- Joris Meys