not - % Más rápido en% operador

not in r

Question

El paquete fastmatch implementa una versión de match mucho más rápida para coincidencias repetidas (por ejemplo, en un bucle):

set.seed(1)
library(fastmatch)
table <- 1L:100000L
x <- sample(table, 10000, replace=TRUE)
system.time(for(i in 1:100) a <-  match(x, table))
system.time(for(i in 1:100) b <- fmatch(x, table))
identical(a, b)

¿Existe una implementación similar para %in% que podría usar para acelerar las búsquedas repetidas?

Answer 1

Mira la definición de %in% :

R> `%in%`
function (x, table) 
match(x, table, nomatch = 0L) > 0L
<bytecode: 0x1fab7a8>
<environment: namespace:base>

Es fácil escribir su propia función %fin% :

`%fin%` <- function(x, table) {
  stopifnot(require(fastmatch))
  fmatch(x, table, nomatch = 0L) > 0L
}
system.time(for(i in 1:100) a <- x %in% table)
#    user  system elapsed 
#   1.780   0.000   1.782 
system.time(for(i in 1:100) b <- x %fin% table)
#    user  system elapsed 
#   0.052   0.000   0.054
identical(a, b)
# [1] TRUE

Answer 2

la coincidencia casi siempre se hace mejor poniendo ambos vectores en marcos de datos y fusionándolos (vea varias combinaciones de dplyr)

Por ejemplo, algo como esto le daría toda la información que necesita:

library(dplyr)

data = data_frame(data.ID = 1L:100000L,
                  data.extra = 1:2)

sample = 
  data %>% 
  sample_n(10000, replace=TRUE) %>%
  mutate(sample.ID = 1:n(),
         sample.extra = 3:4 )

# join table not strictly necessary in this case
# but necessary in many-to-many matches
data__sample = inner_join(data, sample)

#check whether a data.ID made it into sample
data__sample %>% filter(data.ID == 1)

o left_join, right_join, full_join, semi_join, anti_join, dependiendo de qué información es la más útil para usted