如何在保留这些唯一元素的源向量的同时返回向量之间的唯一元素？

Question

例如，我在一个列表中有 5 个向量：

A <- c(1,2,3,4,5)

B <- c(1,2,3,4,5,6)

C <- c(5,6,7,8,9)

D <- c(8,9)

实际上，我有 100 个这些向量，但我只给出了 5 个向量以实现可重复性。 我的目标是：

1. 识别来自向量的唯一元素。例如，vector A 不应该返回任何内容，因为它的所有元素都是vector B 的一部分，但是vector B 确实贡献了一个额外的独特元素，那就是6。 Vector C 应该给我7,8,9，因为c(5,6) 已经包含在vector B 中。 Vector D 应该什么都不返回，因为它的所有元素都是 C 的一部分
2. 从哪个向量中识别哪个元素是唯一的
3. 找出哪些向量是其他更大向量的子集。例如，vector D 是 C 的子集，vector A 是 vector B 的子集。

到目前为止，我找到的唯一解决方案是：

Reduce(setdiff, list("my_vectors"))

但是它不允许我从哪个向量中识别出哪个元素是唯一的。例如，Reduce(setdiff, list(A,B)) 会返回6，但我不知道6 来自哪里（A 或B）？

我的困难在于这是一个大规模的问题，我没有 5 个向量，我有 100 个向量，所以我无法找到可持续的解决方案。任何提示都表示赞赏。

编辑：我的向量在一个列表中

Answer 1

假设您的数据是这样存储的：

my_vectors <- list(
  A = c(1,2,3,4,5),
  B = c(1,2,3,4,5,6),
  C = c(5,6,7,8,9),
  D = c(8,9)
)

如果你使用accumulate = TRUE 来调用Reduce，你也会得到每个中间结果。我们可以将它与union 一起使用来逐步建立总集（注意我设置了init = c() 以确保我们开始为空）：

acc <- Reduce(union, my_vectors, init = c(), accumulate = T)

然后，我们可以使用这个构建列表获取每个项目的setdiff。

lapply(1:length(my_vectors), function(i) setdiff(my_vectors[[i]], acc[[i]]))

这给了

[[1]]
[1] 1 2 3 4 5

[[2]]
[1] 6

[[3]]
[1] 7 8 9

[[4]]
numeric(0)

如果需要，您可以稍后应用 my_vectors 的名称。

Answer 2

第一种天真的方法是 for 循环，只是为了有一个可行的解决方案。 该函数返回一个包含 unqiue 元素和数据框的列表，描述唯一元素（第一个外观）来自 vectorList 中的哪个向量。

A <- c(1,2,3,4,5)
B <- c(1,2,3,4,5,6)
C <- c(5,6,7,8,9)
D <- c(8,9)

vectorList <- list(A,B,C,D)

ff <- function(vectorList) {
  uniques <- unique(vectorList[[1]])
  comingFromDf <- data.frame(values=uniques)
  comingFromDf$source <- 1
  
  for(k in 2:length(vectorList)) {
    vec <- vectorList[[k]]
    newUniques <- vec[!(vec %in% uniques)]
    if(length(newUniques)) {
      newUniques <- unique(newUniques)
      toAdd <- data.frame(values=newUniques)
      toAdd$source <- k
      comingFromDf <- rbind(comingFromDf,toAdd)
      uniques <- c(uniques,newUniques)
    }
  }
  
  list(uniqueElements = uniques,
       comingFromInfo = comingFromDf)
}

ff(vectorList)

我不知道您需要该函数的性能如何，但即使有 200 个长度为 1000 的向量，它似乎也很快退出（我不知道您的尺寸）：

bigVectorList <- lapply(1:200, function(k) {
  sample(1:1e6,1000)
})

microbenchmark::microbenchmark(ff(bigVectorList),times=10)
#Unit: milliseconds
#              expr      min       lq     mean   median      uq      max neval
#ff(bigVectorList) 619.5148 624.8351 639.7535 633.2326 647.118 685.0387    10

在我的机器上，花了半秒多一点，也许对你来说就足够了。由于该函数仅包含向量和数据框，因此很容易在 C++ 中重新实现它并使用 Rcpp。这应该比R中的for循环实现要快得多。此外，您可以考虑在Reduce-function中使用accumulate-argument来保存中间计算结果。

Answer 3

这是tidyverse 解决方案。

lag(accumulate(l, union)) 跟踪到目前为止看到的所有元素。此列表与原始列表之间的差异产生了新出现的元素。

library(tidyverse)

l <- lst(A, B, C, D)

map2(l, lag(accumulate(l, union)), setdiff)
#> $A
#> [1] 1 2 3 4 5
#> 
#> $B
#> [1] 6
#> 
#> $C
#> [1] 7 8 9
#> 
#> $D
#> numeric(0)

---

这是您关于查找哪些向量是其他更大向量的子集的其他问题的答案。

expand_grid 将获得向量的所有组合。过滤它以找出哪个向量是任何其他向量的子集。

l %>%
  enframe() %>%
  expand_grid(a = ., b = .) %>%
  filter(
    a$name != b$name,
    map2_lgl(a$value, b$value, ~all(.x %in% .y))
  ) %>%
  transmute(this_vector = a$name, is_a_subset_of_this_vector = b$name)
#> # A tibble: 2 x 2
#>   this_vector is_a_subset_of_this_vector
#>   <chr>       <chr>                     
#> 1 A           B                         
#> 2 D           C 

Answer 4

这里只有一个真正独特的元素，即7 in C。下面将返回唯一元素及其成员身份

mylist <- list("A"=A,"B"=B,"C"=C,"D"=D) #better for 100's of vectors
myres <- !unlist(lapply(1:length(mylist), function(x) unlist(mylist[x]) %in% unlist(mylist[-x])))
result <- as.numeric(unlist(mylist)[myres])
member <- sapply(mylist, function(x) result %in% x)
membername <- names(mylist[member])
result
membername
> result
 7 
> membername
[1] "C"