6.22 寻找唯一值序列

6.22.1 问题

你需要找到一个向量或者因子的唯一值。

6.22.2 方案

你可以通过在向量里迭代寻找唯一值，但这样做在 R 里是很慢的。一个比较快的方案是通过 rle() 函数：

  1. # 示例数据
  2. v <- c("A", "A", "A", "B", "B", "B", "B", NA, NA, "C", "C", 
  3.   "B", "C", "C", "C")
  4. v
  5. #>  [1] "A" "A" "A" "B" "B" "B" "B" NA  NA  "C" "C" "B"
  6. #> [13] "C" "C" "C"
  8. vr <- rle(v)
  9. vr
  10. #> Run Length Encoding
  11. #>   lengths: int [1:7] 3 4 1 1 2 1 3
  12. #>   values : chr [1:7] "A" "B" NA NA "C" "B" "C"

RLE 编码的数据能够通过 inverse.rle() 转换回到一个向量。

  1. inverse.rle(vr)
  2. #>  [1] "A" "A" "A" "B" "B" "B" "B" NA  NA  "C" "C" "B"
  3. #> [13] "C" "C" "C"

一个问题是每一个缺失值 NA 都会视为长度为1，即使 NA 是相邻的，不过可以通过用别的值替代 NA 来做到。对于数值变量，Inf 或者别的数字都可使用；对于字符变量，任何字符串都能使用。当然，特殊值不得以其他方式出现在向量中。

  1. w <- v
  2. w[is.na(w)] <- "ZZZ"
  3. w
  4. #>  [1] "A"   "A"   "A"   "B"   "B"   "B"   "B"   "ZZZ"
  5. #>  [9] "ZZZ" "C"   "C"   "B"   "C"   "C"   "C"
  7. wr <- rle(w)
  8. wr
  9. #> Run Length Encoding
  10. #>   lengths: int [1:6] 3 4 2 2 1 3
  11. #>   values : chr [1:6] "A" "B" "ZZZ" "C" "B" "C"
  13. # 在RLE编码数据中用NA代替ZZZ
  14. wr$values[wr$values == "ZZZ"] <- NA
  15. wr
  16. #> Run Length Encoding
  17. #>   lengths: int [1:6] 3 4 2 2 1 3
  18. #>   values : chr [1:6] "A" "B" NA "C" "B" "C"
  20. w2 <- inverse.rle(wr)
  21. w2
  22. #>  [1] "A" "A" "A" "B" "B" "B" "B" NA  NA  "C" "C" "B"
  23. #> [13] "C" "C" "C"

6.22.3 处理因子

虽然因子基本上只是带有一些关于级别信息的整数向量，但是 rle() 函数不能处理因子。解决方案是手动将因子转换为整数向量或字符向量。使用整数向量速度快，内存效率高，这对于大型数据集可能很重要，但是很难理解。使用字符向量比较慢，需要更多的内存，但是更容易理解。

  1. # 假设这是我们要处理的向量
  2. f <- factor(v)
  3. f
  4. #>  [1] A    A    A    B    B    B    B    <NA> <NA> C   
  5. #> [11] C    B    C    C    C   
  6. #> Levels: A B C
  8. # 将向量级别保存到一个新的变量
  9. # 这个不是必须的，但是保存顺序是很有用的
  10. f_levels <- levels(f)
  11. f_levels
  12. #> [1] "A" "B" "C"
  14. fc <- as.character(f)
  15. fc[is.na(fc)] <- "ZZZ"
  16. fc
  17. #>  [1] "A"   "A"   "A"   "B"   "B"   "B"   "B"   "ZZZ"
  18. #>  [9] "ZZZ" "C"   "C"   "B"   "C"   "C"   "C"
  20. fr <- rle(fc)
  21. fr
  22. #> Run Length Encoding
  23. #>   lengths: int [1:6] 3 4 2 2 1 3
  24. #>   values : chr [1:6] "A" "B" "ZZZ" "C" "B" "C"
  26. # 在RLE编码数据中用 NA 代替 ZZZ
  27. fr$values[fr$values == "ZZZ"] <- NA
  28. fr
  29. #> Run Length Encoding
  30. #>   lengths: int [1:6] 3 4 2 2 1 3
  31. #>   values : chr [1:6] "A" "B" NA "C" "B" "C"
  33. # 将RLE编码数据转换成因子
  34. f2 <- inverse.rle(fr)
  35. f2 <- factor(f, levels = f_levels)
  36. f2
  37. #>  [1] A    A    A    B    B    B    B    <NA> <NA> C   
  38. #> [11] C    B    C    C    C   
  39. #> Levels: A B C