假设您要将矩阵转换为列表,其中列表的每个元素都包含一列.list()或者as.list()显然不起作用,直到现在我使用hack使用以下行为tapply:
x <- matrix(1:10,ncol=2)
tapply(x,rep(1:ncol(x),each=nrow(x)),function(i)i)
我对此并不完全满意.谁知道我忽略了一种更清洁的方法？
(为了使列表填充行,代码显然可以更改为:
tapply(x,rep(1:nrow(x),ncol(x)),function(i)i)
)
Tom*_*mmy 69
加文的回答简单而优雅.但是如果有很多列,那么更快的解决方案是:
lapply(seq_len(ncol(x)), function(i) x[,i])
以下示例中的速度差异为6x:
> x <- matrix(1:1e6, 10)
> system.time( as.list(data.frame(x)) )
user system elapsed
1.24 0.00 1.22
> system.time( lapply(seq_len(ncol(x)), function(i) x[,i]) )
user system elapsed
0.2 0.0 0.2
mds*_*ner 63
为了对cat进行外观处理,将数组视为向量,就像它没有dim属性一样:
split(x, rep(1:ncol(x), each = nrow(x)))
Ari*_*man 25
我相信,data.frames存储为列表.因此强制似乎是最好的:
as.list(as.data.frame(x))
> as.list(as.data.frame(x))
$V1
[1] 1 2 3 4 5
$V2
[1] 6 7 8 9 10
基准测试结果很有意思.as.data.frame比data.frame更快,因为data.frame必须创建一个全新的对象,或者因为跟踪列名在某种程度上是昂贵的(见证c(unname())vs c()比较)？@Tommy提供的lapply解决方案速度提高了一个数量级.通过手动强制可以稍微改善as.data.frame()结果.
manual.coerce <- function(x) {
x <- as.data.frame(x)
class(x) <- "list"
x
}
library(microbenchmark)
x <- matrix(1:10,ncol=2)
microbenchmark(
tapply(x,rep(1:ncol(x),each=nrow(x)),function(i)i) ,
as.list(data.frame(x)),
as.list(as.data.frame(x)),
lapply(seq_len(ncol(x)), function(i) x[,i]),
c(unname(as.data.frame(x))),
c(data.frame(x)),
manual.coerce(x),
times=1000
)
expr min lq
1 as.list(as.data.frame(x)) 176221 183064
2 as.list(data.frame(x)) 444827 454237
3 c(data.frame(x)) 434562 443117
4 c(unname(as.data.frame(x))) 257487 266897
5 lapply(seq_len(ncol(x)), function(i) x[, i]) 28231 35929
6 manual.coerce(x) 160823 167667
7 tapply(x, rep(1:ncol(x), each = nrow(x)), function(i) i) 1020536 1036790
median uq max
1 186486 190763 2768193
2 460225 471346 2854592
3 449960 460226 2895653
4 271174 277162 2827218
5 36784 37640 1165105
6 171088 176221 457659
7 1052188 1080417 3939286
is.list(manual.coerce(x))
[1] TRUE
Rei*_*son 15
转换为数据框从那里到列表似乎工作:
> as.list(data.frame(x))
$X1
[1] 1 2 3 4 5
$X2
[1] 6 7 8 9 10
> str(as.list(data.frame(x)))
List of 2
$ X1: int [1:5] 1 2 3 4 5
$ X2: int [1:5] 6 7 8 9 10
Sac*_*amp 11
使用plyr对于这样的事情非常有用:
library("plyr")
alply(x,2)
$`1`
[1] 1 2 3 4 5
$`2`
[1] 6 7 8 9 10
attr(,"class")
[1] "split" "list"
用asplit一个矩阵转换为载体列表
asplit(x, 1) # split into list of row vectors
asplit(x, 2) # split into list of column vectors
新功能asplit()将在 v3.6 中基于 R。在那之前，本着与@mdsumner 的回答类似的精神，我们也可以这样做
split(x, slice.index(x, MARGIN))
根据asplit(). 然而，如前所述，所有split()基于解决方案的解决方案都比@Tommy 的lapply/`[`. 这也适用于 new asplit()，至少在其当前形式中。
split_1 <- function(x) asplit(x, 2L)
split_2 <- function(x) split(x, rep(seq_len(ncol(x)), each = nrow(x)))
split_3 <- function(x) split(x, col(x))
split_4 <- function(x) split(x, slice.index(x, 2L))
split_5 <- function(x) lapply(seq_len(ncol(x)), function(i) x[, i])
dat <- matrix(rnorm(n = 1e6), ncol = 100)
#> Unit: milliseconds
#> expr min lq mean median uq max neval
#> split_1(dat) 16.250842 17.271092 20.26428 18.18286 20.185513 55.851237 100
#> split_2(dat) 52.975819 54.600901 60.94911 56.05520 60.249629 105.791117 100
#> split_3(dat) 32.793112 33.665121 40.98491 34.97580 39.409883 74.406772 100
#> split_4(dat) 37.998140 39.669480 46.85295 40.82559 45.342010 80.830705 100
#> split_5(dat) 2.622944 2.841834 3.47998 2.88914 4.422262 8.286883 100
dat <- matrix(rnorm(n = 1e6), ncol = 1e5)
#> Unit: milliseconds
#> expr min lq mean median uq max neval
#> split_1(dat) 204.69803 231.3023 261.6907 246.4927 289.5218 413.5386 100
#> split_2(dat) 229.38132 235.3153 253.3027 242.0433 259.2280 339.0016 100
#> split_3(dat) 208.29162 216.5506 234.2354 221.7152 235.3539 342.5918 100
#> split_4(dat) 214.43064 221.9247 240.7921 231.0895 246.2457 323.3709 100
#> split_5(dat) 89.83764 105.8272 127.1187 114.3563 143.8771 209.0670 100
我知道这是R中的诅咒,我并没有很多声誉支持这一点,但我发现for循环更有效率.我正在使用以下函数将矩阵mat转换为其列的列表:
mat2list <- function(mat)
{
list_length <- ncol(mat)
out_list <- vector("list", list_length)
for(i in 1:list_length) out_list[[i]] <- mat[,i]
out_list
}
与mdsummer和原始解决方案相比的快速基准测试:
x <- matrix(1:1e7, ncol=1e6)
system.time(mat2list(x))
user system elapsed
2.728 0.023 2.720
system.time(split(x, rep(1:ncol(x), each = nrow(x))))
user system elapsed
4.812 0.194 4.978
system.time(tapply(x,rep(1:ncol(x),each=nrow(x)),function(i)i))
user system elapsed
11.471 0.413 11.817