Question

我有一个数据框，我想添加一个包含不重复的字母数字值的列。

首先，我改编了一个我在博客上找到的功能。（https://ryouready.wordpress.com/2008/12/18/generate-random-string-name/）

idGenerator <- function(n, lengthId) {

  alphaNum <- c(0:9, letters, LETTERS)

  if (n > length(alphaNum)^lengthId) {
    return("Error! n > perms : Infinite loop")
  }

  idList <- rep(NULL, n)

  for (i in 1:n) {
    idList[i] <- paste(sample(alphaNum, 
                                    lengthId, replace = TRUE), collapse = "")
    while(idList[i] %in% idList[-i]) {
      idList[i] <- paste(sample(alphaNum, 
                                lengthId, replace = TRUE), collapse = "")
    }
  }

  return(idList)
}

我的问题是我的数据帧有大约250k行，所以n = 250k这个函数只是永远运行。我知道n = 250k时，如果我增加id字符串的长度（lengthId），获得相同字符串的几率是不现实的，所以while循环是浪费资源，但我真的需要确保不会发生，我的意思是“确定”控制结构。

所以我找到了一种更有效的方法，而不是调用while并检查循环中每个i的所有向量，我检查最终向量中是否有重复：

idGenerator <- function(n, lengthId) {

  alphaNum <- c(0:9, letters, LETTERS)

  if (n > length(alphaNum)^lengthId) {
    return("Error! n > perms : Infinite loop")
  }

  idList <- 1:n

  for (i in 1:n) {
    idList[i] <- paste(sample(alphaNum, 
                              lengthId, replace = TRUE), collapse = "")
  }

  while(any(duplicated(idList))) {
    idList[which(duplicated(idList))] <- paste(sample(alphaNum, lengthId, 
                                                replace = TRUE), collapse = "")
  }

  return(idList)
}

如果while必须运行很多次，那么速度很慢=＆gt;当n非常接近排列数时。

> system.time(idGenerator(62^2, 2))
    utilisateur     système     écoulé 
    8.00            0.00        8.02 

 > system.time(idGenerator(62^3, 3))

 Timing stopped at: 584.35 16.66 602.46

但是对于长id字符串来说这是完全可以接受的：

> system.time(idGenerator(250000, 12))
    utilisateur     système     écoulé 
    3.2             0.0         3.2

然而，创建一个列仍然是3秒+所以我正在寻找更快的方法。我知道循环不是那么好，我应该更喜欢矢量化，但我不是真正的代码优化大师。所以，如果您有任何想法，请提前感谢您。

Answer 1

我建议查看“stringi”包中的stri_rand_strings函数：

library(stringi)
stri_rand_strings(10, 3)
 # [1] "wsm" "FvH" "UXm" "14t" "rvv" "Pfo" "mzK" "20b" "O9P" "ZOr"
system.time(X <- stri_rand_strings(250000, 12))
#    user  system elapsed 
#   0.327   0.003   0.333 
length(unique(X))
# [1] 250000
head(X)
# [1] "WxRPZjt0uFaI" "E129Ug0Vif3f" "qXGzQDO0LzvG" 
# [4] "9D4guGMf2jZ1" "Qw1p7reH4XKg" "0gziFNnZ16p8"

生成唯一的字母数字ID

1 个答案: