在R中获取向量元素频率的最简单方法

Question

假设我有一个值的向量v。如何最简单地获取长度等于v的向量f，其中f的第i个元素是v中第i个元素在v中的频率？

我知道的唯一方法似乎过于复杂：

v = sample(1:10,100,replace=TRUE)
D = data.frame( idx=1:length(v), v=v )
E = merge( D, data.frame(table(v)) )
E = E[ with(E,order(idx)), ]
f = E$Freq

当然，有一种更简单的方法可以做到这一点，类似于“frequencies(v)”吗？

- baixiwei

Answer 1

对于一个小正整数向量 v，如问题所述，表达式

tabulate(v)[v]

这个程序特别简单且快速。

对于更一般的数值向量v，您可以使用ecdf来帮助您，例如：

w <- sapply(v, ecdf(v)) * length(v)
tabulate(w)[w]

虽然这种方法可以解决问题，但最好自己编写底层算法的代码，这样可以避免前面解决方案中隐含的浮点舍入误差。

frequencies <- function(x) {
  i <- order(x)
  v <- x[i]
  w <- cumsum(c(TRUE, v[-1] != v[-length(x)]))
  f <- tabulate(w)[w]
  return(f[order(i)])
}

这个算法对数据进行排序，遇到数值时将其分配顺序标识符1、2、3等（通过总和二进制指示器来记录数值的变化），使用之前的tabulate()[]技巧有效地获取频率，然后逐个组件将结果取消排序以使输出与输入匹配。

- whuber

---

我相信这种方法是最合适的。此外，在非整数v中，您可以使用w = match(v, unique(v))来提供tabulate。 - alexis_laz

@alexis 谢谢你的建议。它提供了一个清晰易懂的解决方案。虽然我还没有测试过，但我怀疑使用 match 和 unique 可能会显著减慢速度。 - whuber

通过使用 match 函数测试你的 frequencies 中的 order 和 [ 部分（即前两行）：x = runif(1e5); microbenchmark::microbenchmark(x[order(x)], match(x, unique(x)), times = 30)；可以发现，match 函数似乎更快。 - alexis_laz

@alexis 非常有趣！我将来会更加关注match。 - whuber

Answer 2

我认为这里最好的解决方案是：

ave(v,v,FUN=length)

它仅仅是 ave() 的设计，将 FUN() 的返回值复制并映射回每个输入向量的索引，其元素属于该特定调用 FUN() 执行的组。

- bgoldst

---

+1，因为我不知道 ave：谢谢！ 它在语法上很简单且相当明确。 但如果性能是个问题，那么结果表明 ave 的速度大约是我的答案中“frequency”函数的两倍（对于长度大于100M的非常小的平均频率向量除外：在小平均频率情况下，ave 更好缩放）。 - whuber

Answer 3

像这样的东西对我来说是有效的：

sapply(v, function(elmt, vec) sum(vec == elmt), vec=v)

- Vincent Guillemot

---

我认为你甚至不需要单独提供“vec”。也就是说，对我来说，简单地使用sapply(v, function(x) { sum(x==v) })也可以。 - Tamas Ferenci

你说得对，我只是不喜欢在我的函数中使用全局变量 ;) - Vincent Guillemot

你说得完全正确，那是更好的编码实践，我也这么认为 :) - Tamas Ferenci

Answer 4

我建议您使用table和as.vector：

as.vector(table(dataInVector))

- LeoB