leer - listas en r

Agregar un objeto a una lista en R en tiempo constante amortizado, O(1)?

Question

Si tengo alguna lista de R de mylist , puedes mylist un objeto como:

mylist[[length(mylist)+1]] <- obj

Pero seguramente hay alguna forma más compacta. Cuando era nuevo en R, intenté escribir lappend() así:

lappend <- function(lst, obj) {
lst[[length(lst)+1]] <- obj
return(lst)
}

pero, por supuesto, eso no funciona debido a la semántica de llamada por nombre de R (la lst se copia de forma efectiva tras la llamada, por lo que los cambios a la lst no son visibles fuera del alcance de lappend() . Sé que puede realizar piratería ambiental en una R función para llegar fuera del alcance de su función y mutar el entorno de llamada, pero eso parece ser un gran martillo para escribir una función de adición simple.

¿Alguien puede sugerir una forma más hermosa de hacer esto? Puntos de bonificación si funciona tanto para vectores como para listas.

Answer 1

¿Quieres algo como esto tal vez?

> push <- function(l, x) {
lst <- get(l, parent.frame())
lst[length(lst)+1] <- x
assign(l, lst, envir=parent.frame())
}
> a <- list(1,2)
> push(''a'', 6)
> a
[[1]]
[1] 1
[[2]]
[1] 2
[[3]]
[1] 6

No es una función muy educada (la asignación a parent.frame() es un poco grosera) pero IIUYC es lo que estás pidiendo.

Answer 2

Creo que lo que quiere hacer es pasar la referencia (puntero) a la función, crear un nuevo entorno (que se pasa por referencia a las funciones) con la lista agregada:

listptr=new.env(parent=globalenv())
listptr$list=mylist
#Then the function is modified as:
lPtrAppend <- function(lstptr, obj) {
lstptr$list[[length(lstptr$list)+1]] <- obj
}

Ahora solo está modificando la lista existente (no creando una nueva)

Answer 3

El OP (en la revisión actualizada de la pregunta de abril de 2012) está interesado en saber si hay una manera de agregar a una lista en tiempo constante amortizado, como se puede hacer, por ejemplo, con un contenedor C ++ vector<> . La mejor respuesta (s) aquí hasta ahora solo muestra los tiempos de ejecución relativos para varias soluciones dado un problema de tamaño fijo, pero no aborda directamente la eficiencia algorítmica de las distintas soluciones. Los comentarios a continuación, muchas de las respuestas discuten la eficiencia algorítmica de algunas de las soluciones, pero en todos los casos hasta la fecha (hasta abril de 2015) llegan a la conclusión errónea.

La eficiencia algorítmica captura las características de crecimiento, ya sea en tiempo (tiempo de ejecución) o espacio (cantidad de memoria consumida) a medida que aumenta el tamaño del problema . La ejecución de una prueba de rendimiento para varias soluciones dado un problema de tamaño fijo no aborda la tasa de crecimiento de las distintas soluciones. El OP está interesado en saber si hay una manera de agregar objetos a una lista R en "tiempo constante amortizado". Qué significa eso? Para explicar, primero déjame describir "tiempo constante":

• Crecimiento constante o O (1) :

  Si el tiempo requerido para realizar una tarea dada sigue siendo el mismo que el tamaño del problema, entonces decimos que el algoritmo exhibe un crecimiento constante del tiempo , o indicado en la notación "Big O", exhibe un crecimiento del tiempo O (1). Cuando el OP dice "tiempo amortizado" a tiempo constante, simplemente significa "a largo plazo" ... es decir, si realizar una sola operación en ocasiones toma mucho más tiempo de lo normal (por ejemplo, si se agota un búfer preasignado y ocasionalmente se requiere cambiar el tamaño a un tamaño mayor). tamaño del búfer), siempre que el rendimiento promedio a largo plazo sea un tiempo constante, todavía lo llamaremos O (1).

  A modo de comparación, también describiré "tiempo lineal" y "tiempo cuadrático":

• Crecimiento lineal o O (n) :

  Si el tiempo requerido para realizar una tarea determinada se duplica a medida que se duplica el tamaño del problema, entonces decimos que el algoritmo muestra un tiempo lineal o crecimiento de O (n) .

• Crecimiento cuadrático u O (n ² ) :

  Si el tiempo requerido para realizar una tarea determinada aumenta por el cuadrado del tamaño del problema , decimos que el algoritmo muestra un tiempo cuadrático o un crecimiento de O (n ² ) .

Hay muchas otras clases de eficiencia de algoritmos; Me refiero al artículo de Wikipedia para más discusión.

Agradezco a @CronAcronis por su respuesta, ya que soy nuevo en R y fue agradable tener un bloque de código completamente construido para realizar un análisis de rendimiento de las diversas soluciones presentadas en esta página. Estoy tomando prestado su código para mi análisis, el cual duplico (envuelto en una función) a continuación:

library(microbenchmark)
### Using environment as a container
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(substitute(lab))]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj}
runBenchmark <- function(n) {
microbenchmark(times = 5,
env_with_list_ = {
listptr <- new.env(parent=globalenv())
listptr$list <- NULL
for(i in 1:n) {envAppendList(listptr, i)}
listptr$list
},
c_ = {
a <- list(0)
for(i in 1:n) {a = c(a, list(i))}
},
list_ = {
a <- list(0)
for(i in 1:n) {a <- list(a, list(i))}
},
by_index = {
a <- list(0)
for(i in 1:n) {a[length(a) + 1] <- i}
a
},
append_ = {
a <- list(0)
for(i in 1:n) {a <- append(a, i)}
a
},
env_as_container_ = {
listptr <- new.env(parent=globalenv())
for(i in 1:n) {lPtrAppend(listptr, i, i)}
listptr
}
)
}

Los resultados publicados por @CronAcronis definitivamente parecen sugerir que el método a a <- list(a, list(i)) es más rápido, al menos para un tamaño de problema de 10000, pero los resultados para un solo problema no abordan el crecimiento de la solución. Para eso, necesitamos ejecutar un mínimo de dos pruebas de perfiles, con diferentes tamaños de problemas:

> runBenchmark(2e+3)
Unit: microseconds
expr min lq mean median uq max neval
env_with_list_ 8712.146 9138.250 10185.533 10257.678 10761.33 12058.264 5
c_ 13407.657 13413.739 13620.976 13605.696 13790.05 13887.738 5
list_ 854.110 913.407 1064.463 914.167 1301.50 1339.132 5
by_index 11656.866 11705.140 12182.104 11997.446 12741.70 12809.363 5
append_ 15986.712 16817.635 17409.391 17458.502 17480.55 19303.560 5
env_as_container_ 19777.559 20401.702 20589.856 20606.961 20939.56 21223.502 5
> runBenchmark(2e+4)
Unit: milliseconds
expr min lq mean median uq max neval
env_with_list_ 534.955014 550.57150 550.329366 553.5288 553.955246 558.636313 5
c_ 1448.014870 1536.78905 1527.104276 1545.6449 1546.462877 1558.609706 5
list_ 8.746356 8.79615 9.162577 8.8315 9.601226 9.837655 5
by_index 953.989076 1038.47864 1037.859367 1064.3942 1065.291678 1067.143200 5
append_ 1634.151839 1682.94746 1681.948374 1689.7598 1696.198890 1706.683874 5
env_as_container_ 204.134468 205.35348 208.011525 206.4490 208.279580 215.841129 5
>

En primer lugar, una palabra acerca de los valores min / lq / mean / median / uq / max: Ya que estamos realizando exactamente la misma tarea para cada una de las 5 carreras, en un mundo ideal, podríamos esperar que tomaría exactamente lo mismo cantidad de tiempo para cada ejecución. Pero la primera ejecución normalmente está sesgada hacia tiempos más largos debido al hecho de que el código que estamos probando aún no está cargado en el caché de la CPU. Después de la primera ejecución, esperaríamos que los tiempos fueran bastante consistentes, pero en ocasiones nuestro código puede ser desalojado de la memoria caché debido a las interrupciones de temporización u otras interrupciones de hardware que no están relacionadas con el código que estamos probando. Al probar los fragmentos de código 5 veces, permitimos que el código se cargue en la memoria caché durante la primera ejecución y luego le damos a cada fragmento de código 4 oportunidades de completarse sin interferencia de eventos externos. Por esta razón, y porque realmente estamos ejecutando exactamente el mismo código bajo las mismas condiciones de entrada cada vez, consideraremos que solo los tiempos ''mínimos'' son suficientes para la mejor comparación entre las distintas opciones de código.

Tenga en cuenta que elegí ejecutar primero con un tamaño de problema de 2000 y luego 20000, por lo que mi tamaño de problema aumentó en un factor de 10 desde la primera ejecución hasta la segunda.

Desempeño de la solución de list : O (1) (tiempo constante)

Primero veamos el crecimiento de la solución de la list , ya que podemos decir de inmediato que es la solución más rápida en ambas ejecuciones de creación de perfiles: en la primera ejecución, se necesitaron 854 microsegundos (0,854 mili segundos) para realizar 2000 tareas "adjuntas". En la segunda ejecución, se necesitaron 8.746 milisegundos para realizar 20000 tareas "anexas". Un observador ingenuo diría: "Ah, la solución de la list muestra un crecimiento de O (n), ya que a medida que el tamaño del problema creció en un factor de diez, también lo hizo el tiempo requerido para ejecutar la prueba". El problema con ese análisis es que lo que quiere el OP es la tasa de crecimiento de una inserción de un solo objeto , no la tasa de crecimiento del problema general. Sabiendo eso, queda claro que la solución de list proporciona exactamente lo que quiere el OP: un método para anexar objetos a una lista en O (1).

Desempeño de las otras soluciones.

Ninguna de las otras soluciones se acerca a la velocidad de la solución de la list , pero es informativo examinarlas de todos modos:

La mayoría de las otras soluciones parecen ser O (n) en el rendimiento. Por ejemplo, la solución by_index , una solución muy popular basada en la frecuencia con la que la encuentro en otras publicaciones SO, tomó 11.6 milisegundos para agregar 2000 objetos y 953 milisegundos para agregar diez veces esa cantidad de objetos. El tiempo total del problema creció en un factor de 100, por lo que un observador ingenuo podría decir "Ah, la solución by_index muestra un crecimiento de O (n ² ), ya que el tamaño del problema creció en un factor de diez, el tiempo requerido para ejecutar la prueba. Creció por un factor de 100 ". Como antes, este análisis es defectuoso, ya que el OP está interesado en el crecimiento de una inserción de un solo objeto. Si dividimos el crecimiento de tiempo global por el crecimiento de tamaño del problema, encontramos que el crecimiento de tiempo de los objetos agregados aumentó en un factor de solo 10, no un factor de 100, que coincide con el crecimiento del tamaño del problema, por lo que la solución by_index es En). No hay soluciones enumeradas que muestren un crecimiento de O (n ² ) para agregar un solo objeto.

Answer 4

En el Lisp lo hicimos así:

> l <- c(1)
> l <- c(2, l)
> l <- c(3, l)
> l <- rev(l)
> l
[1] 1 2 3

aunque era ''contras'', no solo ''c''. Si necesita comenzar con una lista vacía, use l <- NULL.

Answer 5

En las otras respuestas, solo el enfoque de list da como resultado los apéndices O (1), pero da como resultado una estructura de lista profundamente anidada, y no una lista única y simple. He utilizado las siguientes estructuras de datos, son compatibles con los apéndices O (1) (amortizados) y permiten que el resultado se convierta de nuevo en una lista simple.

expandingList <- function(capacity = 10) {
buffer <- vector(''list'', capacity)
length <- 0
methods <- list()
methods$double.size <- function() {
buffer <<- c(buffer, vector(''list'', capacity))
capacity <<- capacity * 2
}
methods$add <- function(val) {
if(length == capacity) {
methods$double.size()
}
length <<- length + 1
buffer[[length]] <<- val
}
methods$as.list <- function() {
b <- buffer[0:length]
return(b)
}
methods
}

y

linkedList <- function() {
head <- list(0)
length <- 0
methods <- list()
methods$add <- function(val) {
length <<- length + 1
head <<- list(head, val)
}
methods$as.list <- function() {
b <- vector(''list'', length)
h <- head
for(i in length:1) {
b[[i]] <- head[[2]]
head <- head[[1]]
}
return(b)
}
methods
}

Úsalos como sigue:

> l <- expandingList()
> l$add("hello")
> l$add("world")
> l$add(101)
> l$as.list()
[[1]]
[1] "hello"
[[2]]
[1] "world"
[[3]]
[1] 101

Estas soluciones podrían expandirse en objetos completos que soporten las operaciones relacionadas con la lista por sí mismas, pero que permanecerán como un ejercicio para el lector.

Otra variante para una lista nombrada:

namedExpandingList <- function(capacity = 10) {
buffer <- vector(''list'', capacity)
names <- character(capacity)
length <- 0
methods <- list()
methods$double.size <- function() {
buffer <<- c(buffer, vector(''list'', capacity))
names <<- c(names, character(capacity))
capacity <<- capacity * 2
}
methods$add <- function(name, val) {
if(length == capacity) {
methods$double.size()
}
length <<- length + 1
buffer[[length]] <<- val
names[length] <<- name
}
methods$as.list <- function() {
b <- buffer[0:length]
names(b) <- names[0:length]
return(b)
}
methods
}

Puntos de referencia

Comparación de rendimiento utilizando el código de @ phonetagger (que se basa en el código de @Cron Arconis). También he añadido un better_env_as_container y better_env_as_container cambiado un poco el env_as_container_ . El env_as_container_ original estaba roto y en realidad no almacena todos los números.

library(microbenchmark)
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(lab)]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj}
env2list <- function(env, len) {
l <- vector(''list'', len)
for (i in 1:len) {
l[[i]] <- env[[as.character(i)]]
}
l
}
envl2list <- function(env, len) {
l <- vector(''list'', len)
for (i in 1:len) {
l[[i]] <- env[[paste(as.character(i), ''L'', sep='''')]]
}
l
}
runBenchmark <- function(n) {
microbenchmark(times = 5,
env_with_list_ = {
listptr <- new.env(parent=globalenv())
listptr$list <- NULL
for(i in 1:n) {envAppendList(listptr, i)}
listptr$list
},
c_ = {
a <- list(0)
for(i in 1:n) {a = c(a, list(i))}
},
list_ = {
a <- list(0)
for(i in 1:n) {a <- list(a, list(i))}
},
by_index = {
a <- list(0)
for(i in 1:n) {a[length(a) + 1] <- i}
a
},
append_ = {
a <- list(0)
for(i in 1:n) {a <- append(a, i)}
a
},
env_as_container_ = {
listptr <- new.env(hash=TRUE, parent=globalenv())
for(i in 1:n) {lPtrAppend(listptr, i, i)}
envl2list(listptr, n)
},
better_env_as_container = {
env <- new.env(hash=TRUE, parent=globalenv())
for(i in 1:n) env[[as.character(i)]] <- i
env2list(env, n)
},
linkedList = {
a <- linkedList()
for(i in 1:n) { a$add(i) }
a$as.list()
},
inlineLinkedList = {
a <- list()
for(i in 1:n) { a <- list(a, i) }
b <- vector(''list'', n)
head <- a
for(i in n:1) {
b[[i]] <- head[[2]]
head <- head[[1]]
}
},
expandingList = {
a <- expandingList()
for(i in 1:n) { a$add(i) }
a$as.list()
},
inlineExpandingList = {
l <- vector(''list'', 10)
cap <- 10
len <- 0
for(i in 1:n) {
if(len == cap) {
l <- c(l, vector(''list'', cap))
cap <- cap*2
}
len <- len + 1
l[[len]] <- i
}
l[1:len]
}
)
}
# We need to repeatedly add an element to a list. With normal list concatenation
# or element setting this would lead to a large number of memory copies and a
# quadratic runtime. To prevent that, this function implements a bare bones
# expanding array, in which list appends are (amortized) constant time.
expandingList <- function(capacity = 10) {
buffer <- vector(''list'', capacity)
length <- 0
methods <- list()
methods$double.size <- function() {
buffer <<- c(buffer, vector(''list'', capacity))
capacity <<- capacity * 2
}
methods$add <- function(val) {
if(length == capacity) {
methods$double.size()
}
length <<- length + 1
buffer[[length]] <<- val
}
methods$as.list <- function() {
b <- buffer[0:length]
return(b)
}
methods
}
linkedList <- function() {
head <- list(0)
length <- 0
methods <- list()
methods$add <- function(val) {
length <<- length + 1
head <<- list(head, val)
}
methods$as.list <- function() {
b <- vector(''list'', length)
h <- head
for(i in length:1) {
b[[i]] <- head[[2]]
head <- head[[1]]
}
return(b)
}
methods
}
# We need to repeatedly add an element to a list. With normal list concatenation
# or element setting this would lead to a large number of memory copies and a
# quadratic runtime. To prevent that, this function implements a bare bones
# expanding array, in which list appends are (amortized) constant time.
namedExpandingList <- function(capacity = 10) {
buffer <- vector(''list'', capacity)
names <- character(capacity)
length <- 0
methods <- list()
methods$double.size <- function() {
buffer <<- c(buffer, vector(''list'', capacity))
names <<- c(names, character(capacity))
capacity <<- capacity * 2
}
methods$add <- function(name, val) {
if(length == capacity) {
methods$double.size()
}
length <<- length + 1
buffer[[length]] <<- val
names[length] <<- name
}
methods$as.list <- function() {
b <- buffer[0:length]
names(b) <- names[0:length]
return(b)
}
methods
}

resultado:

> runBenchmark(1000)
Unit: microseconds
expr min lq mean median uq max neval
env_with_list_ 3128.291 3161.675 4466.726 3361.837 3362.885 9318.943 5
c_ 3308.130 3465.830 6687.985 8578.913 8627.802 9459.252 5
list_ 329.508 343.615 389.724 370.504 449.494 455.499 5
by_index 3076.679 3256.588 5480.571 3395.919 8209.738 9463.931 5
append_ 4292.321 4562.184 7911.882 10156.957 10202.773 10345.177 5
env_as_container_ 24471.511 24795.849 25541.103 25486.362 26440.591 26511.200 5
better_env_as_container 7671.338 7986.597 8118.163 8153.726 8335.659 8443.493 5
linkedList 1700.754 1755.439 1829.442 1804.746 1898.752 1987.518 5
inlineLinkedList 1109.764 1115.352 1163.751 1115.631 1206.843 1271.166 5
expandingList 1422.440 1439.970 1486.288 1519.728 1524.268 1525.036 5
inlineExpandingList 942.916 973.366 1002.461 1012.197 1017.784 1066.044 5
> runBenchmark(10000)
Unit: milliseconds
expr min lq mean median uq max neval
env_with_list_ 357.760419 360.277117 433.810432 411.144799 479.090688 560.779139 5
c_ 685.477809 734.055635 761.689936 745.957553 778.330873 864.627811 5
list_ 3.257356 3.454166 3.505653 3.524216 3.551454 3.741071 5
by_index 445.977967 454.321797 515.453906 483.313516 560.374763 633.281485 5
append_ 610.777866 629.547539 681.145751 640.936898 760.570326 763.896124 5
env_as_container_ 281.025606 290.028380 303.885130 308.594676 314.972570 324.804419 5
better_env_as_container 83.944855 86.927458 90.098644 91.335853 92.459026 95.826030 5
linkedList 19.612576 24.032285 24.229808 25.461429 25.819151 26.223597 5
inlineLinkedList 11.126970 11.768524 12.216284 12.063529 12.392199 13.730200 5
expandingList 14.735483 15.854536 15.764204 16.073485 16.075789 16.081726 5
inlineExpandingList 10.618393 11.179351 13.275107 12.391780 14.747914 17.438096 5
> runBenchmark(20000)
Unit: milliseconds
expr min lq mean median uq max neval
env_with_list_ 1723.899913 1915.003237 1921.23955 1938.734718 1951.649113 2076.910767 5
c_ 2759.769353 2768.992334 2810.40023 2820.129738 2832.350269 2870.759474 5
list_ 6.112919 6.399964 6.63974 6.453252 6.910916 7.321647 5
by_index 2163.585192 2194.892470 2292.61011 2209.889015 2436.620081 2458.063801 5
append_ 2832.504964 2872.559609 2983.17666 2992.634568 3004.625953 3213.558197 5
env_as_container_ 573.386166 588.448990 602.48829 597.645221 610.048314 642.912752 5
better_env_as_container 154.180531 175.254307 180.26689 177.027204 188.642219 206.230191 5
linkedList 38.401105 47.514506 46.61419 47.525192 48.677209 50.952958 5
inlineLinkedList 25.172429 26.326681 32.33312 34.403442 34.469930 41.293126 5
expandingList 30.776072 30.970438 34.45491 31.752790 38.062728 40.712542 5
inlineExpandingList 21.309278 22.709159 24.64656 24.290694 25.764816 29.158849 5

He añadido linkedList y expandingList y una versión integrada de ambos. El inlinedLinkedList es básicamente una copia de list_ , pero también convierte la estructura anidada de nuevo en una lista simple. Más allá de eso, la diferencia entre las versiones en línea y no en línea se debe a la sobrecarga de las llamadas de función.

Todas las variantes de expandingList y linkedList muestran el linkedList O (1), con la escala de tiempo de referencia de forma lineal con el número de elementos anexados. linkedList es más lento que expandingList , y la función de sobrecarga de llamadas también es visible. Entonces, si realmente necesita toda la velocidad que puede obtener (y desea atenerse al código R), use una versión en línea de expandingList .

También he echado un vistazo a la implementación en C de R, y ambos enfoques deberían ser O (1) para cualquier tamaño hasta que se quede sin memoria.

También he cambiado env_as_container_ , la versión original almacenaría todos los elementos bajo el índice "i", sobrescribiendo el elemento adjunto anteriormente. El better_env_as_container que he agregado es muy similar a env_as_container_ pero sin el material deparse . Ambos muestran un rendimiento de O (1), pero tienen una sobrecarga que es bastante más grande que las listas enlazadas / en expansión.

Sobrecarga de memoria

En la implementación de CR hay una sobrecarga de 4 palabras y 2 pulgadas por objeto asignado. El enfoque de linkedList asigna una lista de longitud dos por anexo, para un total de (4 * 8 + 4 + 4 + 2 * 8 =) 56 bytes por elemento adjunto en computadoras de 64 bits (excluyendo la sobrecarga de asignación de memoria, así que probablemente esté más cerca de 64 bytes). El enfoque de lista expandingList utiliza una palabra por elemento adjunto, más una copia cuando se duplica la longitud del vector, por lo que un uso total de memoria de hasta 16 bytes por elemento. Como la memoria está en uno o dos objetos, la sobrecarga por objeto es insignificante. No he examinado el uso de la memoria env en profundidad, pero creo que estará más cerca de la lista linkedList .

Answer 6

Esta es una forma sencilla de agregar elementos a una Lista R:

# create an empty list:
small_list = list()
# now put some objects in it:
small_list$k1 = "v1"
small_list$k2 = "v2"
small_list$k3 = 1:10
# retrieve them the same way:
small_list$k1
# returns "v1"
# "index" notation works as well:
small_list["k2"]

O programáticamente:

kx = paste(LETTERS[1:5], 1:5, sep="")
vx = runif(5)
lx = list()
cn = 1
for (itm in kx) { lx[itm] = vx[cn]; cn = cn + 1 }
print(length(lx))
# returns 5

Answer 7

He hecho una pequeña comparación de los métodos mencionados aquí.

n = 1e+4
library(microbenchmark)
### Using environment as a container
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(substitute(lab))]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj}
microbenchmark(times = 5,
env_with_list_ = {
listptr <- new.env(parent=globalenv())
listptr$list <- NULL
for(i in 1:n) {envAppendList(listptr, i)}
listptr$list
},
c_ = {
a <- list(0)
for(i in 1:n) {a = c(a, list(i))}
},
list_ = {
a <- list(0)
for(i in 1:n) {a <- list(a, list(i))}
},
by_index = {
a <- list(0)
for(i in 1:n) {a[length(a) + 1] <- i}
a
},
append_ = {
a <- list(0)
for(i in 1:n) {a <- append(a, i)}
a
},
env_as_container_ = {
listptr <- new.env(parent=globalenv())
for(i in 1:n) {lPtrAppend(listptr, i, i)}
listptr
}
)

Resultados:

Unit: milliseconds
expr min lq mean median uq max neval cld
env_with_list_ 188.9023 198.7560 224.57632 223.2520 229.3854 282.5859 5 a
c_ 1275.3424 1869.1064 2022.20984 2191.7745 2283.1199 2491.7060 5 b
list_ 17.4916 18.1142 22.56752 19.8546 20.8191 36.5581 5 a
by_index 445.2970 479.9670 540.20398 576.9037 591.2366 607.6156 5 a
append_ 1140.8975 1316.3031 1794.10472 1620.1212 1855.3602 3037.8416 5 b
env_as_container_ 355.9655 360.1738 399.69186 376.8588 391.7945 513.6667 5 a

Answer 8

No estoy seguro de por qué no crees que tu primer método no funcionará. Tiene un error en la función lappend: length (list) debe ser length (lst). Esto funciona bien y devuelve una lista con el objeto adjunto.

Answer 9

Prueba esta función

lappend <- function (lst, ...){
lst <- c(lst, list(...))
return(lst)
}

y otras sugerencias de esta página Agregar el vector nombrado a una lista

Adiós.

Answer 10

Si es una lista de cadenas, solo use la función c() :

R> LL <- list(a="tom", b="dick")
R> c(LL, c="harry")
$a
[1] "tom"
$b
[1] "dick"
$c
[1] "harry"
R> class(LL)
[1] "list"
R>

Eso también funciona en vectores, ¿así que obtengo los puntos de bonificación?

Edit (2015-Feb-01): Esta publicación se acerca en su quinto cumpleaños. Algunos lectores amables siguen repitiendo cualquier deficiencia, así que por supuesto también vea algunos de los comentarios a continuación. Una sugerencia para los tipos de list :

newlist <- list(oldlist, list(someobj))

En general, los tipos R pueden hacer que sea difícil tener uno y solo un idioma para todos los tipos y usos.

Answer 11

Si pasa la variable de lista como una cadena entre comillas, puede acceder a ella desde dentro de la función como:

push <- function(l, x) {
assign(l, append(eval(as.name(l)), x), envir=parent.frame())
}

asi que:

> a <- list(1,2)
> a
[[1]]
[1] 1
[[2]]
[1] 2
> push("a", 3)
> a
[[1]]
[1] 1
[[2]]
[1] 2
[[3]]
[1] 3
>

o para crédito adicional:

> v <- vector()
> push("v", 1)
> v
[1] 1
> push("v", 2)
> v
[1] 1 2
>

Answer 12

de hecho, hay una subtelty con la función c() . Si lo haces:

x <- list()
x <- c(x,2)
x = c(x,"foo")

obtendrá como se espera:

[[1]]
[1]
[[2]]
[1] "foo"

pero si agrega una matriz con x <- c(x, matrix(5,2,2) , su lista tendrá otros 4 elementos de valor 5 Será mejor que lo haga:

x <- c(x, list(matrix(5,2,2))

Funciona para cualquier otro objeto y obtendrá como se espera:

[[1]]
[1]
[[2]]
[1] "foo"
[[3]]
[,1] [,2]
[1,] 5 5
[2,] 5 5

Finalmente, tu función se convierte en:

push <- function(l, ...) c(l, list(...))

Y funciona para cualquier tipo de objeto. Puedes ser más inteligente y hacer:

push_back <- function(l, ...) c(l, list(...))
push_front <- function(l, ...) c(list(...), l)

Answer 13

Esta es una pregunta muy interesante y espero que mi pensamiento a continuación pueda aportar una forma de solución. Este método proporciona una lista plana sin indexación, pero tiene una lista y una lista para evitar las estructuras de anidación. No estoy seguro de la velocidad ya que no sé cómo compararla.

a_list<-list()
for(i in 1:3){
a_list<-list(unlist(list(unlist(a_list,recursive = FALSE),list(rnorm(2))),recursive = FALSE))
}
a_list
[[1]]
[[1]][[1]]
[1] -0.8098202 1.1035517
[[1]][[2]]
[1] 0.6804520 0.4664394
[[1]][[3]]
[1] 0.15592354 0.07424637

Answer 14

Para la validación corrí el código de referencia proporcionado por @Cron. Hay una diferencia importante (además de correr más rápido en el procesador i7 más nuevo): el by_indexahora funciona casi tan bien como el list_:

Unit: milliseconds
expr min lq mean median uq
env_with_list_ 167.882406 175.969269 185.966143 181.817187 185.933887
c_ 485.524870 501.049836 516.781689 518.637468 537.355953
list_ 6.155772 6.258487 6.544207 6.269045 6.290925
by_index 9.290577 9.630283 9.881103 9.672359 10.219533
append_ 505.046634 543.319857 542.112303 551.001787 553.030110
env_as_container_ 153.297375 154.880337 156.198009 156.068736 156.800135

Para referencia, aquí está el código de referencia copiado literalmente de la respuesta de @ Cron (en caso de que luego cambie los contenidos):

n = 1e+4
library(microbenchmark)
### Using environment as a container
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(substitute(lab))]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj}
microbenchmark(times = 5,
env_with_list_ = {
listptr <- new.env(parent=globalenv())
listptr$list <- NULL
for(i in 1:n) {envAppendList(listptr, i)}
listptr$list
},
c_ = {
a <- list(0)
for(i in 1:n) {a = c(a, list(i))}
},
list_ = {
a <- list(0)
for(i in 1:n) {a <- list(a, list(i))}
},
by_index = {
a <- list(0)
for(i in 1:n) {a[length(a) + 1] <- i}
a
},
append_ = {
a <- list(0)
for(i in 1:n) {a <- append(a, i)}
a
},
env_as_container_ = {
listptr <- new.env(parent=globalenv())
for(i in 1:n) {lPtrAppend(listptr, i, i)}
listptr
}
)

Answer 15

También hay list.appenddesde el rlist( enlace a la documentación )

require(rlist)
LL <- list(a="Tom", b="Dick")
list.append(LL,d="Pam",f=c("Joe","Ann"))

Es muy simple y eficiente.

Answer 16

> LL<-list(1:4)
> LL
[[1]]
[1] 1 2 3 4
> LL<-list(c(unlist(LL),5:9))
> LL
[[1]]
[1] 1 2 3 4 5 6 7 8 9