我经常想循环遍历数据框的长数组或列，并且对于每个项目，查看它是否是另一个数组的成员。而不是做
giant_list = ["a", "c", "j"]
good_letters = ["a", "b"]
isin = falses(size(giant_list,1))
for i=1:size(giant_list,1)
isin[i] = giant_list[i] in good_letters
end
在 Julia 中是否有任何矢量化（双矢量化？）方法可以做到这一点？与基本运算符类比，我想做类似的事情
isin = giant_list .in good_letters
我意识到这可能是不可能的，但我只是想确保我没有遗漏任何东西。我知道我可能可以使用 DataStructures 中的 DefaultDict 来做类似的事情，但不知道基础中的任何内容。
【问题讨论】：
标签： dataframe vectorization julia
indexin 函数的作用与您想要的类似：
indexin(a, b)对于
a中属于b的每个值，返回一个包含b中最高索引的向量。只要a不是b的成员，输出向量就包含0。
由于您希望 giant_list 中的每个元素都有一个布尔值（而不是 good_letters 中的索引），您可以简单地执行以下操作：
julia> indexin(giant_list, good_letters) .> 0
3-element BitArray{1}:
true
false
false
implementation of indexin 非常简单明了，如果您不关心 b 中的索引，它指出了如何优化它：
function vectorin(a, b)
bset = Set(b)
[i in bset for i in a]
end
只有有限的一组名称可以用作中缀运算符，因此不能将其用作中缀运算符。
【讨论】：
有一些现代（即 Julia v1.0）解决方案可以解决这个问题：
首先，更新标量策略。可以使用Ref 对象来实现标量广播，而不是使用 1 元素元组或数组：
julia> in.(giant_list, Ref(good_letters))
3-element BitArray{1}:
true
false
false
通过广播中缀∈ (\inTAB) 运算符可以实现相同的结果：
julia> giant_list .∈ Ref(good_letters)
3-element BitArray{1}:
true
false
false
此外，使用一个参数调用in 会创建一个Base.Fix2，稍后可以通过广播调用应用它。不过，与简单地定义一个函数相比，这似乎带来的好处有限。
julia> is_good1 = in(good_letters);
is_good2(x) = x in good_letters;
julia> is_good1.(giant_list)
3-element BitArray{1}:
true
false
false
julia> is_good2.(giant_list)
3-element BitArray{1}:
true
false
false
总而言之，将.∈ 与Ref 一起使用可能会得到最短、最干净的代码。
【讨论】：
您可以在 Julia v0.6 中使用 unified broadcasting syntax 非常轻松地矢量化 in。
julia> in.(giant_list, (good_letters,))
3-element Array{Bool,1}:
true
false
false
使用单元素元组注意good_letters 的scalarification。或者，您可以使用 Scalar 类型，例如 StaticArrays.jl 中介绍的类型。
Julia v0.5 支持相同的语法，但需要一个专门的函数来进行标量化（或前面提到的 Scalar 类型）：
scalar(x) = setindex!(Array{typeof(x)}(), x)
之后
julia> in.(giant_list, scalar(good_letters))
3-element Array{Bool,1}:
true
false
false
【讨论】：
Scalar 类型）。
findin() 不会为您提供布尔掩码，但您可以轻松地使用它来为另一个数组中包含的值设置数组/DataFrame 的子集：
julia> giant_list[findin(giant_list, good_letters)]
1-element Array{String,1}:
"a"
【讨论】：
findin 在 0.7 中已弃用并从 1.0 中删除。 findall(in(...), ...) 替换它。
其他答案忽略了一个重要方面 - 性能。所以，让我简要回顾一下。为了实现这一点，我创建了两个 Integer 向量，每个向量包含 100,000 个元素。
using StatsBase
a = sample(1:1_000_000, 100_000)
b = sample(1:1_000_000, 100_000)
为了知道什么是体面的表现，我在R做了同样的事情，导致4.4 ms的平均表现：
# R code
a <- sample.int(1000000, 100000)
b <- sample.int(1000000, 100000)
microbenchmark::microbenchmark(a %in% b)
Unit: milliseconds
expr min lq mean median uq max neval
a %in% b 4.09538 4.191653 5.517475 4.376034 5.765283 65.50126 100
findall(in(b),a)
5.039 ms (27 allocations: 3.63 MiB)
比R 慢，但也不是很多。然而，语法确实需要一些改进。
a .∈ Ref(b)
in.(a,Ref(b))
findall(x -> x in b, a)
3.879468 seconds (6 allocations: 16.672 KiB)
3.866001 seconds (6 allocations: 16.672 KiB)
3.936978 seconds (178.88 k allocations: 5.788 MiB)
慢 800 倍（几乎比 R 慢 1000 倍）——这真的没什么好写的。在我看来，这三个的语法也不是很好，但至少第一个解决方案在我看来比“高性能解决方案”更好。
这里是这个
indexin(a,b)
5.287 ms (38 allocations: 6.53 MiB)
是高性能的，但对我来说这不是一个解决方案。它包含nothing 元素，其中该元素不在另一个向量中。在我看来，主要应用是对向量进行子集化，这不适用于此解决方案。
a[indexin(b,a)]
ERROR: ArgumentError: unable to check bounds for indices of type Nothing
【讨论】：