如果我有一些 R 列表 mylist
,您可以将项目 obj
附加到它,如下所示:
mylist[[length(mylist)+1]] <- obj
但肯定有一些更紧凑的方式。当我是 R 的新手时,我尝试像这样编写 lappend()
:
lappend <- function(lst, obj) {
lst[[length(lst)+1]] <- obj
return(lst)
}
但当然,由于 R 的按名称调用语义,这不起作用(lst
在调用时被有效复制,因此对 lst
的更改在 lappend()
范围之外不可见。我知道你可以做环境入侵 R 函数以超出函数范围并改变调用环境,但这似乎是编写简单附加函数的大锤。
任何人都可以提出一种更漂亮的方法吗?如果它适用于向量和列表,则加分。
如果是字符串列表,只需使用 c()
函数:
R> LL <- list(a="tom", b="dick")
R> c(LL, c="harry")
$a
[1] "tom"
$b
[1] "dick"
$c
[1] "harry"
R> class(LL)
[1] "list"
R>
这也适用于矢量,所以我可以获得奖励积分吗?
编辑(2015 年 2 月 01 日): 这篇文章将在它的五岁生日之际发布。一些善良的读者不断重复它的任何缺点,所以一定要看看下面的一些评论。针对 list
类型的一项建议:
newlist <- list(oldlist, list(someobj))
一般来说,R 类型很难为所有类型和用途使用一个且只有一个习语。
OP(在 2012 年 4 月更新的问题修订版中)有兴趣知道是否有办法在摊销的常数时间内添加到列表中,例如可以使用 C++ vector<>
容器来完成。到目前为止,这里的最佳答案仅显示给定固定大小问题的各种解决方案的相对执行时间,但没有直接解决任何各种解决方案的 algorithmic efficiency。许多答案下方的评论讨论了一些解决方案的算法效率,但是迄今为止的所有情况(截至 2015 年 4 月)他们来了得出错误的结论。
随着问题规模的增长,算法效率捕捉增长特征,无论是时间(执行时间)还是空间(消耗的内存量)。给定一个固定大小的问题,对各种解决方案进行性能测试并不能解决各种解决方案的增长率。 OP 有兴趣知道是否有办法在“摊销常数时间”中将对象附加到 R 列表中。这意味着什么?为了解释,首先让我描述一下“恒定时间”:
恒定或 O(1) 增长:如果执行给定任务所需的时间与问题规模翻倍相同,那么我们说算法表现出恒定的时间增长,或者用“大 O”表示法表示,表现出 O( 1)时间增长。当 OP 说“摊销”恒定时间时,他的意思是“从长远来看”......即,如果执行单个操作偶尔需要比正常时间更长的时间(例如,如果预先分配的缓冲区用尽并且偶尔需要调整到更大的缓冲区大小),只要长期平均性能是常数时间,我们仍然称其为 O(1)。为了比较,我还将描述“线性时间”和“二次时间”:
线性或 O(n) 增长:如果执行给定任务所需的时间随着问题规模的增加而增加一倍,那么我们说该算法表现出线性时间或 O(n) 增长。
二次或 O(n2) 增长:如果执行给定任务所需的时间按问题大小的平方增加,我们称该算法呈现二次时间或 O(n2) 增长。
还有许多其他效率等级的算法;我遵从 Wikipedia article 的进一步讨论。
我感谢@CronAcronis 的回答,因为我是 R 新手,很高兴有一个完全构建的代码块来对本页上提供的各种解决方案进行性能分析。我借用了他的代码进行分析,我在下面复制(包装在一个函数中):
library(microbenchmark)
### Using environment as a container
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(substitute(lab))]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj}
runBenchmark <- function(n) {
microbenchmark(times = 5,
env_with_list_ = {
listptr <- new.env(parent=globalenv())
listptr$list <- NULL
for(i in 1:n) {envAppendList(listptr, i)}
listptr$list
},
c_ = {
a <- list(0)
for(i in 1:n) {a = c(a, list(i))}
},
list_ = {
a <- list(0)
for(i in 1:n) {a <- list(a, list(i))}
},
by_index = {
a <- list(0)
for(i in 1:n) {a[length(a) + 1] <- i}
a
},
append_ = {
a <- list(0)
for(i in 1:n) {a <- append(a, i)}
a
},
env_as_container_ = {
listptr <- new.env(parent=globalenv())
for(i in 1:n) {lPtrAppend(listptr, i, i)}
listptr
}
)
}
@CronAcronis 发布的结果显然表明 a <- list(a, list(i))
方法是最快的,至少对于 10000 的问题大小,但单个问题大小的结果并不能解决解决方案的增长。为此,我们需要运行至少两个具有不同问题大小的分析测试:
> runBenchmark(2e+3)
Unit: microseconds
expr min lq mean median uq max neval
env_with_list_ 8712.146 9138.250 10185.533 10257.678 10761.33 12058.264 5
c_ 13407.657 13413.739 13620.976 13605.696 13790.05 13887.738 5
list_ 854.110 913.407 1064.463 914.167 1301.50 1339.132 5
by_index 11656.866 11705.140 12182.104 11997.446 12741.70 12809.363 5
append_ 15986.712 16817.635 17409.391 17458.502 17480.55 19303.560 5
env_as_container_ 19777.559 20401.702 20589.856 20606.961 20939.56 21223.502 5
> runBenchmark(2e+4)
Unit: milliseconds
expr min lq mean median uq max neval
env_with_list_ 534.955014 550.57150 550.329366 553.5288 553.955246 558.636313 5
c_ 1448.014870 1536.78905 1527.104276 1545.6449 1546.462877 1558.609706 5
list_ 8.746356 8.79615 9.162577 8.8315 9.601226 9.837655 5
by_index 953.989076 1038.47864 1037.859367 1064.3942 1065.291678 1067.143200 5
append_ 1634.151839 1682.94746 1681.948374 1689.7598 1696.198890 1706.683874 5
env_as_container_ 204.134468 205.35348 208.011525 206.4490 208.279580 215.841129 5
>
首先,关于 min/lq/mean/median/uq/max 值的一个词:由于我们为 5 次运行中的每一次执行完全相同的任务,在理想的世界中,我们可以预期它需要完全相同每次运行的时间量。但是由于我们正在测试的代码还没有加载到 CPU 的缓存中,第一次运行通常偏向于更长的时间。在第一次运行之后,我们希望时间相当一致,但有时我们的代码可能会由于计时器滴答中断或其他与我们正在测试的代码无关的硬件中断而从缓存中逐出。通过对代码片段进行 5 次测试,我们允许在第一次运行期间将代码加载到缓存中,然后让每个片段有 4 次机会在不受外部事件干扰的情况下运行完成。出于这个原因,并且因为我们每次都在完全相同的输入条件下运行完全相同的代码,我们将只考虑“分钟”时间就足以在各种代码选项之间进行最佳比较。
请注意,我选择先运行问题大小为 2000,然后再运行 20000,所以我的问题大小从第一次运行到第二次增加了 10 倍。
list
解决方案的性能:O(1)(恒定时间)
让我们先看看 list
解决方案的增长情况,因为我们可以立即看出它是两个分析运行中最快的解决方案:在第一次运行中,它花费了 854 微秒(0.854 milli秒)执行 2000 个“附加”任务。在第二次运行中,执行 20000 个“追加”任务花费了 8.746 毫秒。一个天真的观察者会说,“啊,list
解决方案表现出 O(n) 的增长,因为随着问题规模增长了 10 倍,执行测试所需的时间也增长了。” 该分析的问题在于 OP 想要的是单个对象插入的增长率,而不是整个问题的增长率。知道这一点后,很明显 list
解决方案提供了 OP 想要的东西:一种在 O(1) 时间内将对象附加到列表的方法。
其他解决方案的性能
其他解决方案都没有比 list
解决方案的速度更接近,但无论如何检查它们是有益的:
大多数其他解决方案的性能似乎都是 O(n)。例如,by_index
解决方案是一个非常流行的解决方案,它基于我在其他 SO 帖子中找到的频率,它花费了 11.6 毫秒来追加 2000 个对象,并且花费 953 毫秒来追加十倍的对象。整个问题的时间增长了 100 倍,所以一个天真的观察者可能会说 “啊,by_index
解决方案表现出 O(n2) 增长,因为随着问题规模增长十倍,执行测试所需的时间增加了 100 倍。” 和以前一样,这个分析是有缺陷的,因为 OP 对单个对象插入的增长感兴趣。如果我们将整体时间增长除以问题的大小增长,我们发现附加对象的时间增长仅增加了 10 倍,而不是 100 倍,这与问题大小的增长相匹配,所以 by_index
解决方案是 O(n)。没有列出的解决方案展示了附加单个对象的 O(n2) 增长。
在其他答案中,只有 list
方法会导致 O(1) 追加,但它会导致深度嵌套的列表结构,而不是简单的单个列表。我使用了以下数据结构,它们支持 O(1)(摊销)附加,并允许将结果转换回普通列表。
expandingList <- function(capacity = 10) {
buffer <- vector('list', capacity)
length <- 0
methods <- list()
methods$double.size <- function() {
buffer <<- c(buffer, vector('list', capacity))
capacity <<- capacity * 2
}
methods$add <- function(val) {
if(length == capacity) {
methods$double.size()
}
length <<- length + 1
buffer[[length]] <<- val
}
methods$as.list <- function() {
b <- buffer[0:length]
return(b)
}
methods
}
和
linkedList <- function() {
head <- list(0)
length <- 0
methods <- list()
methods$add <- function(val) {
length <<- length + 1
head <<- list(head, val)
}
methods$as.list <- function() {
b <- vector('list', length)
h <- head
for(i in length:1) {
b[[i]] <- head[[2]]
head <- head[[1]]
}
return(b)
}
methods
}
按如下方式使用它们:
> l <- expandingList()
> l$add("hello")
> l$add("world")
> l$add(101)
> l$as.list()
[[1]]
[1] "hello"
[[2]]
[1] "world"
[[3]]
[1] 101
这些解决方案可以扩展为支持所有列表相关操作的完整对象,但这仍将作为读者的练习。
命名列表的另一个变体:
namedExpandingList <- function(capacity = 10) {
buffer <- vector('list', capacity)
names <- character(capacity)
length <- 0
methods <- list()
methods$double.size <- function() {
buffer <<- c(buffer, vector('list', capacity))
names <<- c(names, character(capacity))
capacity <<- capacity * 2
}
methods$add <- function(name, val) {
if(length == capacity) {
methods$double.size()
}
length <<- length + 1
buffer[[length]] <<- val
names[length] <<- name
}
methods$as.list <- function() {
b <- buffer[0:length]
names(b) <- names[0:length]
return(b)
}
methods
}
基准
使用@phonetagger 的代码(基于@Cron Arconis 的代码)进行性能比较。我还添加了一个 better_env_as_container
并稍微更改了 env_as_container_
。原始的 env_as_container_
已损坏,实际上并未存储所有数字。
library(microbenchmark)
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(lab)]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj}
env2list <- function(env, len) {
l <- vector('list', len)
for (i in 1:len) {
l[[i]] <- env[[as.character(i)]]
}
l
}
envl2list <- function(env, len) {
l <- vector('list', len)
for (i in 1:len) {
l[[i]] <- env[[paste(as.character(i), 'L', sep='')]]
}
l
}
runBenchmark <- function(n) {
microbenchmark(times = 5,
env_with_list_ = {
listptr <- new.env(parent=globalenv())
listptr$list <- NULL
for(i in 1:n) {envAppendList(listptr, i)}
listptr$list
},
c_ = {
a <- list(0)
for(i in 1:n) {a = c(a, list(i))}
},
list_ = {
a <- list(0)
for(i in 1:n) {a <- list(a, list(i))}
},
by_index = {
a <- list(0)
for(i in 1:n) {a[length(a) + 1] <- i}
a
},
append_ = {
a <- list(0)
for(i in 1:n) {a <- append(a, i)}
a
},
env_as_container_ = {
listptr <- new.env(hash=TRUE, parent=globalenv())
for(i in 1:n) {lPtrAppend(listptr, i, i)}
envl2list(listptr, n)
},
better_env_as_container = {
env <- new.env(hash=TRUE, parent=globalenv())
for(i in 1:n) env[[as.character(i)]] <- i
env2list(env, n)
},
linkedList = {
a <- linkedList()
for(i in 1:n) { a$add(i) }
a$as.list()
},
inlineLinkedList = {
a <- list()
for(i in 1:n) { a <- list(a, i) }
b <- vector('list', n)
head <- a
for(i in n:1) {
b[[i]] <- head[[2]]
head <- head[[1]]
}
},
expandingList = {
a <- expandingList()
for(i in 1:n) { a$add(i) }
a$as.list()
},
inlineExpandingList = {
l <- vector('list', 10)
cap <- 10
len <- 0
for(i in 1:n) {
if(len == cap) {
l <- c(l, vector('list', cap))
cap <- cap*2
}
len <- len + 1
l[[len]] <- i
}
l[1:len]
}
)
}
# We need to repeatedly add an element to a list. With normal list concatenation
# or element setting this would lead to a large number of memory copies and a
# quadratic runtime. To prevent that, this function implements a bare bones
# expanding array, in which list appends are (amortized) constant time.
expandingList <- function(capacity = 10) {
buffer <- vector('list', capacity)
length <- 0
methods <- list()
methods$double.size <- function() {
buffer <<- c(buffer, vector('list', capacity))
capacity <<- capacity * 2
}
methods$add <- function(val) {
if(length == capacity) {
methods$double.size()
}
length <<- length + 1
buffer[[length]] <<- val
}
methods$as.list <- function() {
b <- buffer[0:length]
return(b)
}
methods
}
linkedList <- function() {
head <- list(0)
length <- 0
methods <- list()
methods$add <- function(val) {
length <<- length + 1
head <<- list(head, val)
}
methods$as.list <- function() {
b <- vector('list', length)
h <- head
for(i in length:1) {
b[[i]] <- head[[2]]
head <- head[[1]]
}
return(b)
}
methods
}
# We need to repeatedly add an element to a list. With normal list concatenation
# or element setting this would lead to a large number of memory copies and a
# quadratic runtime. To prevent that, this function implements a bare bones
# expanding array, in which list appends are (amortized) constant time.
namedExpandingList <- function(capacity = 10) {
buffer <- vector('list', capacity)
names <- character(capacity)
length <- 0
methods <- list()
methods$double.size <- function() {
buffer <<- c(buffer, vector('list', capacity))
names <<- c(names, character(capacity))
capacity <<- capacity * 2
}
methods$add <- function(name, val) {
if(length == capacity) {
methods$double.size()
}
length <<- length + 1
buffer[[length]] <<- val
names[length] <<- name
}
methods$as.list <- function() {
b <- buffer[0:length]
names(b) <- names[0:length]
return(b)
}
methods
}
结果:
> runBenchmark(1000)
Unit: microseconds
expr min lq mean median uq max neval
env_with_list_ 3128.291 3161.675 4466.726 3361.837 3362.885 9318.943 5
c_ 3308.130 3465.830 6687.985 8578.913 8627.802 9459.252 5
list_ 329.508 343.615 389.724 370.504 449.494 455.499 5
by_index 3076.679 3256.588 5480.571 3395.919 8209.738 9463.931 5
append_ 4292.321 4562.184 7911.882 10156.957 10202.773 10345.177 5
env_as_container_ 24471.511 24795.849 25541.103 25486.362 26440.591 26511.200 5
better_env_as_container 7671.338 7986.597 8118.163 8153.726 8335.659 8443.493 5
linkedList 1700.754 1755.439 1829.442 1804.746 1898.752 1987.518 5
inlineLinkedList 1109.764 1115.352 1163.751 1115.631 1206.843 1271.166 5
expandingList 1422.440 1439.970 1486.288 1519.728 1524.268 1525.036 5
inlineExpandingList 942.916 973.366 1002.461 1012.197 1017.784 1066.044 5
> runBenchmark(10000)
Unit: milliseconds
expr min lq mean median uq max neval
env_with_list_ 357.760419 360.277117 433.810432 411.144799 479.090688 560.779139 5
c_ 685.477809 734.055635 761.689936 745.957553 778.330873 864.627811 5
list_ 3.257356 3.454166 3.505653 3.524216 3.551454 3.741071 5
by_index 445.977967 454.321797 515.453906 483.313516 560.374763 633.281485 5
append_ 610.777866 629.547539 681.145751 640.936898 760.570326 763.896124 5
env_as_container_ 281.025606 290.028380 303.885130 308.594676 314.972570 324.804419 5
better_env_as_container 83.944855 86.927458 90.098644 91.335853 92.459026 95.826030 5
linkedList 19.612576 24.032285 24.229808 25.461429 25.819151 26.223597 5
inlineLinkedList 11.126970 11.768524 12.216284 12.063529 12.392199 13.730200 5
expandingList 14.735483 15.854536 15.764204 16.073485 16.075789 16.081726 5
inlineExpandingList 10.618393 11.179351 13.275107 12.391780 14.747914 17.438096 5
> runBenchmark(20000)
Unit: milliseconds
expr min lq mean median uq max neval
env_with_list_ 1723.899913 1915.003237 1921.23955 1938.734718 1951.649113 2076.910767 5
c_ 2759.769353 2768.992334 2810.40023 2820.129738 2832.350269 2870.759474 5
list_ 6.112919 6.399964 6.63974 6.453252 6.910916 7.321647 5
by_index 2163.585192 2194.892470 2292.61011 2209.889015 2436.620081 2458.063801 5
append_ 2832.504964 2872.559609 2983.17666 2992.634568 3004.625953 3213.558197 5
env_as_container_ 573.386166 588.448990 602.48829 597.645221 610.048314 642.912752 5
better_env_as_container 154.180531 175.254307 180.26689 177.027204 188.642219 206.230191 5
linkedList 38.401105 47.514506 46.61419 47.525192 48.677209 50.952958 5
inlineLinkedList 25.172429 26.326681 32.33312 34.403442 34.469930 41.293126 5
expandingList 30.776072 30.970438 34.45491 31.752790 38.062728 40.712542 5
inlineExpandingList 21.309278 22.709159 24.64656 24.290694 25.764816 29.158849 5
我添加了 linkedList
和 expandingList
以及两者的内联版本。 inlinedLinkedList
基本上是 list_
的副本,但它还将嵌套结构转换回普通列表。除此之外,内联和非内联版本之间的差异是由于函数调用的开销。
expandingList
和 linkedList
的所有变体都显示了 O(1) 附加性能,基准时间随附加项目的数量线性缩放。 linkedList
比 expandingList
慢,函数调用开销也可见。因此,如果您确实需要尽可能快的速度(并且想要坚持使用 R 代码),请使用 expandingList
的内联版本。
我还查看了 R 的 C 实现,这两种方法都应该是 O(1) 追加任何大小,直到内存不足。
我还更改了 env_as_container_
,原始版本会将每个项目存储在索引“i”下,覆盖之前附加的项目。我添加的 better_env_as_container
与 env_as_container_
非常相似,但没有 deparse
的东西。两者都表现出 O(1) 性能,但它们的开销比链接/扩展列表大得多。
内存开销
在 CR 实现中,每个分配的对象有 4 个字和 2 个整数的开销。 linkedList
方法为每个附加分配一个长度为 2 的列表,在 64 位计算机上每个附加项总共有 (4*8+4+4+2*8=) 56 个字节(不包括内存分配开销,所以可能接近 64 个字节)。 expandingList
方法每个附加项使用一个单词,当向量长度加倍时加上一个副本,因此每个项的总内存使用量高达 16 字节。由于内存都在一个或两个对象中,因此每个对象的开销是微不足道的。我没有深入研究 env
的内存使用情况,但我认为它会更接近 linkedList
。
list_
选项更快,如果您不需要转换为普通列表(即,如果您将结果用作堆栈),它可能会很有用。
environment
东西,我仍然有点菜鸟。)我的瓶颈几乎总是花在编码和进行数据分析上的人力时间,但我很欣赏我在这篇文章中找到的基准。至于内存开销,我不介意我的应用程序每个节点最多大约 1 kB。我坚持大型阵列等。
在 Lisp 中,我们是这样做的:
> l <- c(1)
> l <- c(2, l)
> l <- c(3, l)
> l <- rev(l)
> l
[1] 1 2 3
尽管它是“缺点”,而不仅仅是“c”。如果您需要从一个空列表开始,请使用 l <- NULL。
c()
函数将其参数复制到新的向量/列表中并返回。
你可能想要这样的东西?
> push <- function(l, x) {
lst <- get(l, parent.frame())
lst[length(lst)+1] <- x
assign(l, lst, envir=parent.frame())
}
> a <- list(1,2)
> push('a', 6)
> a
[[1]]
[1] 1
[[2]]
[1] 2
[[3]]
[1] 6
这不是一个非常有礼貌的功能(分配给 parent.frame()
有点粗鲁),但 IIUYC 正是您所要求的。
如果将列表变量作为带引号的字符串传入,则可以从函数中访问它,例如:
push <- function(l, x) {
assign(l, append(eval(as.name(l)), x), envir=parent.frame())
}
所以:
> a <- list(1,2)
> a
[[1]]
[1] 1
[[2]]
[1] 2
> push("a", 3)
> a
[[1]]
[1] 1
[[2]]
[1] 2
[[3]]
[1] 3
>
或额外的学分:
> v <- vector()
> push("v", 1)
> v
[1] 1
> push("v", 2)
> v
[1] 1 2
>
不知道为什么你不认为你的第一种方法行不通。您在 lappend 函数中有一个错误:length(list) 应该是 length(lst)。这工作正常并返回一个带有附加 obj 的列表。
lappend()
,它的性能似乎与 c() 和 append() 一样好,所有这些都表现出 O(n^2) 的行为。
我对这里提到的方法做了一个小的比较。
n = 1e+4
library(microbenchmark)
### Using environment as a container
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(substitute(lab))]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj}
microbenchmark(times = 5,
env_with_list_ = {
listptr <- new.env(parent=globalenv())
listptr$list <- NULL
for(i in 1:n) {envAppendList(listptr, i)}
listptr$list
},
c_ = {
a <- list(0)
for(i in 1:n) {a = c(a, list(i))}
},
list_ = {
a <- list(0)
for(i in 1:n) {a <- list(a, list(i))}
},
by_index = {
a <- list(0)
for(i in 1:n) {a[length(a) + 1] <- i}
a
},
append_ = {
a <- list(0)
for(i in 1:n) {a <- append(a, i)}
a
},
env_as_container_ = {
listptr <- new.env(parent=globalenv())
for(i in 1:n) {lPtrAppend(listptr, i, i)}
listptr
}
)
结果:
Unit: milliseconds
expr min lq mean median uq max neval cld
env_with_list_ 188.9023 198.7560 224.57632 223.2520 229.3854 282.5859 5 a
c_ 1275.3424 1869.1064 2022.20984 2191.7745 2283.1199 2491.7060 5 b
list_ 17.4916 18.1142 22.56752 19.8546 20.8191 36.5581 5 a
by_index 445.2970 479.9670 540.20398 576.9037 591.2366 607.6156 5 a
append_ 1140.8975 1316.3031 1794.10472 1620.1212 1855.3602 3037.8416 5 b
env_as_container_ 355.9655 360.1738 399.69186 376.8588 391.7945 513.6667 5 a
list = list
不仅是赢家,而且相差 1 到 2 个数量级或数量级!
list_
未按预期创建整数列表。它将包含列表列表。在每次迭代中,都会创建一个包含 2 个元素的新列表,一个是新整数,另一个是同一列表的先前版本。因为值不会被覆盖,所以在内部完成了简单的引用复制。这就是为什么它如此之快,但我们根本没有相同的对象。对于所有其他示例,我们有一个长度为 n+1 的列表
试试这个功能
lappend <- function (lst, ...){
lst <- c(lst, list(...))
return(lst)
}
以及来自此页面的其他建议Add named vector to a list
再见。
事实上,c()
函数有一个微妙之处。如果你这样做:
x <- list()
x <- c(x,2)
x = c(x,"foo")
您将按预期获得:
[[1]]
[1]
[[2]]
[1] "foo"
但是,如果您添加一个带有 x <- c(x, matrix(5,2,2)
的矩阵,您的列表将有另外 4 个值为 5
的元素!你最好这样做:
x <- c(x, list(matrix(5,2,2))
它适用于任何其他对象,您将按预期获得:
[[1]]
[1]
[[2]]
[1] "foo"
[[3]]
[,1] [,2]
[1,] 5 5
[2,] 5 5
最后,您的功能变为:
push <- function(l, ...) c(l, list(...))
它适用于任何类型的对象。你可以更聪明地做:
push_back <- function(l, ...) c(l, list(...))
push_front <- function(l, ...) c(list(...), l)
我认为你想要做的实际上是通过引用(指针)传递给函数——创建一个新环境(通过引用传递给函数)并添加列表:
listptr=new.env(parent=globalenv())
listptr$list=mylist
#Then the function is modified as:
lPtrAppend <- function(lstptr, obj) {
lstptr$list[[length(lstptr$list)+1]] <- obj
}
现在您只是修改现有列表(而不是创建新列表)
这是将项目添加到 R 列表的简单方法:
# create an empty list:
small_list = list()
# now put some objects in it:
small_list$k1 = "v1"
small_list$k2 = "v2"
small_list$k3 = 1:10
# retrieve them the same way:
small_list$k1
# returns "v1"
# "index" notation works as well:
small_list["k2"]
或以编程方式:
kx = paste(LETTERS[1:5], 1:5, sep="")
vx = runif(5)
lx = list()
cn = 1
for (itm in kx) { lx[itm] = vx[cn]; cn = cn + 1 }
print(length(lx))
# returns 5
append()
函数,但它实际上是一个连接函数,它只适用于向量。
append()
适用于向量和列表,它是一个真正的附加(这与连接基本相同,所以我看不出你的问题是什么)
还有来自 rlist
的 list.append
(link to the documentation)
require(rlist)
LL <- list(a="Tom", b="Dick")
list.append(LL,d="Pam",f=c("Joe","Ann"))
它非常简单高效。
c()
或 list
方法。两者都快得多。
rlist::list.append()
的代码,它本质上是 base::c()
的包装。
> LL<-list(1:4)
> LL
[[1]]
[1] 1 2 3 4
> LL<-list(c(unlist(LL),5:9))
> LL
[[1]]
[1] 1 2 3 4 5 6 7 8 9
这是一个非常有趣的问题,我希望我下面的想法可以为它提供一种解决方法。此方法确实提供了一个没有索引的平面列表,但它确实有 list 和 unlist 以避免嵌套结构。我不确定速度,因为我不知道如何对其进行基准测试。
a_list<-list()
for(i in 1:3){
a_list<-list(unlist(list(unlist(a_list,recursive = FALSE),list(rnorm(2))),recursive = FALSE))
}
a_list
[[1]]
[[1]][[1]]
[1] -0.8098202 1.1035517
[[1]][[2]]
[1] 0.6804520 0.4664394
[[1]][[3]]
[1] 0.15592354 0.07424637
为了验证,我运行了@Cron 提供的基准代码。有一个主要区别(除了在较新的 i7 处理器上运行得更快之外):by_index
现在的性能几乎与 list_
一样好:
Unit: milliseconds
expr min lq mean median uq
env_with_list_ 167.882406 175.969269 185.966143 181.817187 185.933887
c_ 485.524870 501.049836 516.781689 518.637468 537.355953
list_ 6.155772 6.258487 6.544207 6.269045 6.290925
by_index 9.290577 9.630283 9.881103 9.672359 10.219533
append_ 505.046634 543.319857 542.112303 551.001787 553.030110
env_as_container_ 153.297375 154.880337 156.198009 156.068736 156.800135
这里的参考是从@Cron的答案逐字复制的基准代码(以防他后来更改内容):
n = 1e+4
library(microbenchmark)
### Using environment as a container
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(substitute(lab))]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj}
microbenchmark(times = 5,
env_with_list_ = {
listptr <- new.env(parent=globalenv())
listptr$list <- NULL
for(i in 1:n) {envAppendList(listptr, i)}
listptr$list
},
c_ = {
a <- list(0)
for(i in 1:n) {a = c(a, list(i))}
},
list_ = {
a <- list(0)
for(i in 1:n) {a <- list(a, list(i))}
},
by_index = {
a <- list(0)
for(i in 1:n) {a[length(a) + 1] <- i}
a
},
append_ = {
a <- list(0)
for(i in 1:n) {a <- append(a, i)}
a
},
env_as_container_ = {
listptr <- new.env(parent=globalenv())
for(i in 1:n) {lPtrAppend(listptr, i, i)}
listptr
}
)
list_
提供的结果与其他的不同。所以这个比较是无效的!
mylist<-list(1,2,3) mylist<-c(mylist,list(5))
所以我们可以很容易地使用上面的代码附加元素/对象
不定期副业成功案例分享
C(LL, c="harry")
后,LL
仍然有两个元素。LL <- c(LL, c="harry")
。c()
的调用有 2 个参数:我要附加到的列表,即list(a=3, b=c(4, 5))
,以及我要附加的项目,即c=c(6, 7)
。如果您使用我的方法,您会看到添加了 2 个列表项(6
和7
,名称分别为c1
和c2
),而不是单个 2 元素向量命名为c
显然是有意的!mylist <- list(mylist, list(obj))
是吗?如果是,修改答案会很好