我有一个数据表，该数据表定义了一组序列的开始和结束坐标。例如:
df1 <- data.frame(from = c(7, 22, 35, 21, 50),
to = c(13, 29, 43, 31, 60))
给定开始和结束坐标(即1和100)，我试图使用相同的输出格式来识别序列中未涵盖的所有整数。例如:
df2 <- data.frame(from = c(1, 14, 32, 44, 61),
to = c(6, 20, 34, 49, 100))
这是我目前的尝试，其中我对df1中的序列进行矢量化处理，然后识别出与序列1:100不匹配的所有整数。
seq2 <- Vectorize(seq.default, vectorize.args = c("from", "to"))
seq <- c(1:100)
df1_int <- unlist(seq2(from = df1$from, to = df1$to))
df1_int <- unique(df1_int)
df2_int <- seq[!seq %in% df1_int]
all(diff(df2_int) == 1)
但是，这种方法对于我想要将其应用于(〜100,000,000个整数)的数据集来说太慢了，而且我不知道如何将向量df2_int重新格式化为df2格式的数据帧。
任何帮助将不胜感激!
注意:df1中的序列并不总是以最低整数开头(例如，序列可以从13到7，而不是从7到13)。也可能只有一个整数(例如7到7)的序列。
最佳答案
由于您需要快速的解决方案，因此我们可以尝试使用setdiff和split的基本R方法。向量化我们留给mapply。为了找到在哪里使用split的因素，我们使用findInterval。为了获得结果列表中元素的起点和终点，我们使用range清除。
d <- setdiff(1:100, unlist(mapply(seq.default, df1[, 1], df1[, 2])))
t(sapply(split(d, findInterval(d, d[which(c(1, diff(d)) > 1)])), range))
# [,1] [,2]
# 0 1 6
# 1 14 20
# 2 32 34
# 3 44 49
# 4 61 100
基准
从基准测试中可以看出，我们已经实现了非常快速的解决方案。
Unit: microseconds
expr min lq mean median uq max neval cld
purrr 1575.479 1593.2110 1634.3573 1604.9475 1634.033 2028.095 100 b
findInterval 250.801 256.9245 276.8609 273.3815 281.673 498.285 100 a
关于r - 如何识别 'to'和 'from'位置未涵盖的所有序号？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/55711684/