rループの文字列の一致を高速化する（ベクトルとデータ。フレーム）

Question

データフレームの各行に関するベクトルの各要素の文字列一致の数を数えるrのループを最適化しようとしています。小さなデータセットでは、それはかなり良い（〜15分、11列、914行）。しかし、巨大なデータセット（914列、18000行）で動作するには数日かかる。

このループを他の手法（ベクトル化など）を使って最適化する方法を知っている人はいませんか？どんな解決策も大いにありがとう！

更新 ここに小さなデータセットがあります。それは最速ここ

df<-data.frame(replicate(10,sample(c("sp1", "sp2"),10,rep=TRUE))) 
vec<-c("sp1", "sp2") 
richa <- data.frame() 

    for (j in 1:length(vec)){ 
    for (i in 1:dim(df)[1]){ 
    richa[i,j] <- length(df[i,][df[i,] == vec[j] ]) 
    } 
    } 

Answer 1

1は、（さらに高速については下記を参照）lapplyを利用する方法です。

richa <- lapply(X = vec, FUN = function(x) rowSums(df == x)) 
richa <- do.call(cbind, richa) 

迅速microbenchmarkを小さなデータセットに対してこのご比べて約10倍の高速化に番組を提供してきましたforループメソッド。

parallel::mclapplyまたはplyr::laply（parallel = TRUE）のいずれかを使用して、これを追加するだけで簡単にマルチスレッド化することもできます。これは少し余分な作業が必要ですが、あなたが持っている18000 x 914のデータセットには価値があるかもしれません。

編集する：私はRcppを勉強しているので、そこに行くループがいくつかあるので、ここではRcppを使ったさらに高速な解決策があります。ここで（一度にコンパイルする必要があります）関数の定義です：

Rcpp::cppFunction(' IntegerMatrix charCrossCheck(CharacterMatrix df, 
          CharacterVector vec) { 

       IntegerMatrix output(df.nrow(), vec.size()); 

       for (int j=0; j < vec.size(); ++j){ 
        for (int i=0; i < df.nrow(); ++i){ 
         int count = 0; 
         for(int k=0; k < df.ncol(); k++){ 
          if(df(i,k) == vec[j]) { 
           count++; 
          } 
         } 
         output(i,j) = count; 
        } 
       } 
       return output; 

       } ') 

は次にあなたがその関数を呼び出すことができます。

richa <- charCrossCheck(as.matrix(df), vec) 

Rcppはここに非常に高速です。あなたの非常に小さなサンプル上のマイクロベンチマークはdfサイズ4000x4000に出入力データを拡大し、

興味深いことにR.でのごforループよりも、それは上記の私のlapplyソリューションよりも速く3倍以上、約38Xより速く示し、vecの長さ10の場合、Rcppとlapplyの両方の方法で非常に似た時間で完了します（それぞれ3.4秒と3.9秒）。あなたが言及したデータセット（18000行×914列、vecの長さ2）では、両方の解決法は1秒未満です。いずれにしても悪くない！