2つのリストに数字があり、1つのリストの値ともう1つのリストを一致させる必要があります。試合は番号の先頭に基づいて行われなければなりません。可能な限り最長一致のrow_idを返す必要があります。この例ではRの2つの整数の中で最も長いマッチを見つける
lookup value: 12345678
find_list:
a 1
b 12
c 123
d 124
e 125
f 1234
g 1235
我々はa,b,c,fとの一致を持っているでしょうし、Rはfを返さなければなりません。 fは最長であり、したがって最もマッチします。
私は今、RでstartsWith関数を使用しています。その答えから、私は最も長い値を選択します。しかし、問題はリストが巨大であることです。 find_listに1850万のルックアップ値と300,000の可能な値があり、しばらくするとRがクラッシュします。
これを行うにはスマートな方法がありますか？
ここで、ベースR.内の1つの方法
# construct a vector of all possible matches for the lookup value
lookupVec <- floor(lookup * (10^(-1 * (0:(nchar(lookup)-1)))))
これはおそらく同じのパッケージからfastmatch機能をベースRのmatch機能を置き換えることで、これをスピードアップすることができ
lookupVec
[1] 1234567 123456 12345 1234 123 12 1
# find the value of the first variable that matches the maximum value
# lower values in the vector
dat$V1[which.min(match(dat$V2, lookupVec))]
[1] f
Levels: a b c d e f g
を返すがあります名前を2回以上検索すると、テーブルの値がハッシュされるため、名前になります。
データ
dat <-
structure(list(V1 = structure(1:7, .Label = c("a", "b", "c",
"d", "e", "f", "g"), class = "factor"), V2 = c(1L, 12L, 123L,
124L, 125L, 1234L, 1235L)), .Names = c("V1", "V2"), class = "data.frame",
row.names = c(NA, -7L))
lookup <- 12345678
は、たぶん、あなたが望むものをやってのよりスマートな方法がありますが、次は問題の結果を生成します。
パッケージstringiがインストールされている必要があります。
まず、質問のデータ。
lookup <- "12345678"
find_list <- read.table(text = "
a 1
b 12
c 123
d 124
e 125
f 1234
g 1235
")
find_list$V2 <- as.character(find_list$V2)
コードが追加されました。ここで
inx <- which(stringi::stri_detect(lookup, regex = find_list$V2))
inx <- inx[which.max(nchar(find_list$V2[inx]))]
find_list[inx, ]
# V1 V2
#6 f 1234
あなたはdata.tableにあなたのfind_listを変換することができた場合のオプションです：
y <- 123456789
x <- data.table(sample(1:1000000, 1000000, replace = T)) # find list
n <- round(log(y, base = 10)) + 1 # number of digits
z <- floor(y/(10^(1:(n)))) # split up into all possible integers
x[V1 == x[V1 %in% z, max(.SD),],, which = T]
これは、重複がある場合にも、複数の行IDを返します。行番号を返すだけでなく、返されるIDを持つ2番目の列を持つことができます。
2千万の整数のリストについては、1秒未満です。
Unit: seconds
expr min lq mean median uq max neval
x[V1 == x[V1 %in% z, max(.SD), ], , which = T] 0.00076113 0.000871416 0.02571112 0.000945884 0.00109958 0.6195882 25
find_list$X[which.max(sapply(find_list$find_list, function(myX)
attr(gregexpr(myX, lookup_value)[[1]], "match.length")))]
#[1] "f"
DATA
find_list = structure(list(X = c("a", "b", "c", "d", "e", "f", "g"), find_list = c(1L,
12L, 123L, 124L, 125L, 1234L, 1235L)), .Names = c("X", "find_list"
), class = "data.frame", row.names = c(NA, -7L))
lookup_value = 12345678