比较同一向量的相邻元素（避免循环）

Question

我设法编写了一个 for 循环 来比较以下向量中的字母：

bases <- c("G","C","A","T")
test <- sample(bases, replace=T, 20)

test 将返回

[1] "T" "G" "T" "G" "C" "A" "A" "G" "A" "C" "A" "T" "T" "T" "T" "C" "A" "G" "G" "C"

函数 Comp() 我可以检查是否字母与下一个字母匹配导致

Comp <- function(data)
{
    output <- vector()
    for(i in 1:(length(data)-1))
    {
    if(data[i]==data[i+1])
        {
        output[i] <-1
        }
        else
        {
        output[i] <-0
        }
    }
    return(output)
}

；

> Comp(test)
 [1] 0 0 0 0 0 1 0 0 0 0 0 1 1 1 0 0 0 1 0

这是可行的，但是对于大量数据来说速度非常慢。因此，我尝试了 sapply()

Comp <- function(x,i) if(x[i]==x[i+1]) 1 else 0
unlist(lapply(test, Comp, test))

不幸的是它不起作用...（Error in i + 1 : non-numeric argument to 二元运算符）我无法弄清楚如何访问向量中的前一个字母进行比较。另外，“不比较”最后一个字母的“length(data)-1”可能会成为问题。

谢谢大家的帮助！

干杯 幸运的

Answer 1

只需“滞后”test 并使用矢量化的==。

bases <- c("G","C","A","T")
set.seed(21)
test <- sample(bases, replace=TRUE, 20)
lag.test <- c(tail(test,-1),NA)
#lag.test <- c(NA,head(test,-1))
test == lag.test

更新：

此外，您的 Comp 函数速度很慢，因为您在初始化时没有指定 output 的长度。我怀疑您正在尝试预分配，但是 vector() 创建了一个零长度向量，必须在循环的每次迭代期间扩展该向量。如果将对 vector() 的调用更改为 vector(length=NROW(data)-1)，您的 Comp 函数会显着加快。

set.seed(21)
test <- sample(bases, replace=T, 1e5)
system.time(orig <- Comp(test))
#    user  system elapsed 
#  34.760   0.010  34.884 
system.time(prealloc <- Comp.prealloc(test))
#    user  system elapsed 
#    1.18    0.00    1.19 
identical(orig, prealloc)
# [1] TRUE

Answer 2

正如@Joshua 所写，你当然应该使用矢量化——它效率更高。
...但仅供参考，您的 Comp 函数仍然可以优化一点。

比较的结果是TRUE/FALSE，它是1/0的美化版本。此外，确保结果是整数而不是数字会消耗一半的内存。

Comp.opt <- function(data)
{
    output <- integer(length(data)-1L)
    for(i in seq_along(output))
    {
        output[[i]] <- (data[[i]]==data[[i+1L]])
    }
    return(output)
}

...以及速度差异：

> system.time(orig <- Comp(test))
   user  system elapsed 
  21.10    0.00   21.11 
> system.time(prealloc <- Comp.prealloc(test))
   user  system elapsed 
   0.49    0.00    0.49 
> system.time(opt <- Comp.opt(test))
   user  system elapsed 
   0.41    0.00    0.40 
> all.equal(opt, orig) # opt is integer, orig is double
[1] TRUE

Answer 3

看看这个：

> x = c("T", "G", "T", "G", "G","T","T","T")
> 
> res = sequence(rle(x)$lengths)-1
> 
> dt = data.frame(x,res)
> 
> dt
  x res
1 T   0
2 G   0
3 T   0
4 G   0
5 G   1
6 T   0
7 T   1
8 T   2

可能工作得更快。