найти соседние элементы матрицы в R

Изменить: огромное спасибо пользователям ниже за большой вклад и Грегору за сравнительный анализ.

Скажем, у меня есть матрица, заполненная такими целочисленными значениями ...

    mat <- matrix(1:100, 10, 10)

Я могу создать список координат x, y каждого элемента следующим образом ...

    addresses <- expand.grid(x = 1:10, y = 1:10)

Теперь для каждой из этих координат (т.е. для каждого элемента в мате) я хотел бы найти соседние элементы (включая диагонали, это должно сделать 8 соседей).

Я уверен, что есть простой способ, может ли кто-нибудь помочь?

До сих пор я пробовал перебирать и записывать для каждого элемента соседние элементы следующим образом:

    neighbours <- list()
    for(i in 1:dim(addresses)[1]){
      x <- addresses$x[i]
      y <- addresses$y[i]
      neighbours[[i]] <- c(mat[y-1, x  ],
                           mat[y-1, x+1],
                           mat[y  , x+1],
                           mat[y+1, x+1],
                           mat[y+1, x  ],
                           mat[y+1, x-1],
                           mat[y  , x-1],
                           mat[y-1, x-1])
    }

Это вызывает проблемы, когда попадает на край матрицы, особенно когда индекс больше, чем край матрицы.

r matrix adjacency-matrix

roman 17.03.2015 источник

comment

Что вы хотите сделать по краям? Вы можете обернуть и рассмотреть левый край, смежный с правым, или вы можете вернуть NA, или, может быть, что-то еще. - Gregor Thomas 17.03.2015

comment

Если ответ - NA, вы можете избежать особой обработки в коде, если дополните свою матрицу NAs (сделайте его 12x12 с первой и последней строкой и столбцом со всеми NA), тогда вы можете просто посмотреть на всех соседей середина. - Gregor Thomas 17.03.2015

comment

на данный момент я просто хочу вернуть NA - roman 17.03.2015

comment

спасибо Грегор, я выберу вариант заполнения. - roman 17.03.2015

comment

отлично, спасибо mrip и Gregor, оба очень полезны - roman 17.03.2015

Ответы (4)

arrow_upward
11
arrow_downward

Вот хороший пример. Я сделал 4x4, чтобы мы могли легко это увидеть, но все это регулируется n. Он также полностью векторизован, поэтому должен иметь хорошую скорость.

n = 4
mat = matrix(1:n^2, nrow = n)
mat.pad = rbind(NA, cbind(NA, mat, NA), NA)

С заполненной матрицей соседями являются просто подматрицы размером n на n, которые меняются местами. Использование указателей компаса в качестве меток:

ind = 2:(n + 1) # row/column indices of the "middle"
neigh = rbind(N  = as.vector(mat.pad[ind - 1, ind    ]),
              NE = as.vector(mat.pad[ind - 1, ind + 1]),
              E  = as.vector(mat.pad[ind    , ind + 1]),
              SE = as.vector(mat.pad[ind + 1, ind + 1]),
              S  = as.vector(mat.pad[ind + 1, ind    ]),
              SW = as.vector(mat.pad[ind + 1, ind - 1]),
              W  = as.vector(mat.pad[ind    , ind - 1]),
              NW = as.vector(mat.pad[ind - 1, ind - 1]))

mat
#      [,1] [,2] [,3] [,4]
# [1,]    1    5    9   13
# [2,]    2    6   10   14
# [3,]    3    7   11   15
# [4,]    4    8   12   16

  neigh[, 1:6]
#    [,1] [,2] [,3] [,4] [,5] [,6]
# N    NA    1    2    3   NA    5
# NE   NA    5    6    7   NA    9
# E     5    6    7    8    9   10
# SE    6    7    8   NA   10   11
# S     2    3    4   NA    6    7
# SW   NA   NA   NA   NA    2    3
# W    NA   NA   NA   NA    1    2
# NW   NA   NA   NA   NA   NA    1

Итак, вы можете видеть, что для первого элемента mat[1,1], начиная с севера и идя по часовой стрелке, соседи являются первым столбцом neigh. Следующий элемент - mat[2,1], и так далее по столбцам mat. (Вы также можете сравнить с ответом @mrip и увидеть, что наши столбцы имеют те же элементы, только в другом порядке.)

Бенчмаркинг

Малая матрица

mat = matrix(1:16, nrow = 4)
mbm(gregor(mat), mrip(mat), marat(mat), u20650(mat), times = 100)
# Unit: microseconds
#         expr     min       lq      mean   median       uq      max neval  cld
#  gregor(mat)  25.054  30.0345  34.04585  31.9960  34.7130   61.879   100 a   
#    mrip(mat) 420.167 443.7120 482.44136 466.1995 483.4045 1820.121   100   c 
#   marat(mat) 746.462 784.0410 812.10347 808.1880 832.4870  911.570   100    d
#  u20650(mat) 186.843 206.4620 220.07242 217.3285 230.7605  269.850   100  b

На матрице большего размера мне пришлось удалить функцию user20650, потому что она пыталась выделить вектор 232,8 Гб, и я также вынул ответ Марата, подождав около 10 минут.

mat = matrix(1:500^2, nrow = 500)

mbm(gregor(mat), mrip(mat), times = 100)
# Unit: milliseconds
#         expr       min        lq      mean    median        uq      max neval cld
#  gregor(mat) 19.583951 21.127883 30.674130 21.656866 22.433661 127.2279   100   b
#    mrip(mat)  2.213725  2.368421  8.957648  2.758102  2.958677 104.9983   100  a

Таким образом, похоже, что в любом случае, когда время имеет значение, решения @mrip на сегодняшний день являются самыми быстрыми.

Используемые функции:

gregor = function(mat) {
    n = nrow(mat)
    mat.pad = rbind(NA, cbind(NA, mat, NA), NA)
    ind = 2:(n + 1) # row/column indices of the "middle"
    neigh = rbind(N  = as.vector(mat.pad[ind - 1, ind    ]),
                  NE = as.vector(mat.pad[ind - 1, ind + 1]),
                  E  = as.vector(mat.pad[ind    , ind + 1]),
                  SE = as.vector(mat.pad[ind + 1, ind + 1]),
                  S  = as.vector(mat.pad[ind + 1, ind    ]),
                  SW = as.vector(mat.pad[ind + 1, ind - 1]),
                  W  = as.vector(mat.pad[ind    , ind - 1]),
                  NW = as.vector(mat.pad[ind - 1, ind - 1]))
    return(neigh)
}

mrip = function(mat) {
    m2<-cbind(NA,rbind(NA,mat,NA),NA)
    addresses <- expand.grid(x = 1:4, y = 1:4)
    ret <- c()
    for(i in 1:-1)
        for(j in 1:-1)
            if(i!=0 || j !=0)
                ret <- rbind(ret,m2[addresses$x+i+1+nrow(m2)*(addresses$y+j)]) 
    return(ret)
}

get.neighbors <- function(rw, z, mat) {
    # Convert to absolute addresses 
    z2 <- t(z + unlist(rw))
    # Choose those with indices within mat 
    b.good <- rowSums(z2 > 0)==2  &  z2[,1] <= nrow(mat)  &  z2[,2] <= ncol(mat)
    mat[z2[b.good,]]
}

marat = function(mat) {
    n.row = n.col = nrow(mat)
    addresses <- expand.grid(x = 1:n.row, y = 1:n.col)
    # Relative addresses
    z <- rbind(c(-1,0,1,-1,1,-1,0,1), c(-1,-1,-1,0,0,1,1,1))
    apply(addresses, 1,
          get.neighbors, z = z, mat = mat) # Returns a list with neighbors
}

u20650 = function(mat) {
    w <-  which(mat==mat, arr.ind=TRUE)
    d <- as.matrix(dist(w, "maximum", diag=TRUE, upper=TRUE))
    # extract neighbouring values for each element
    # extract where max distance is one
    a <- apply(d, 1, function(i) mat[i == 1] )
    names(a)  <- mat
    return(a)
}

Gregor Thomas 17.03.2015

comment

Интересный и хороший анализ. Интересно, почему мой быстрее для больших матриц, я бы подумал, что ваш будет, потому что есть только один вызов rbind, что должно означать меньшее выделение и копирование. - mrip; 18.03.2015

comment

Я тоже был удивлен. Может, as.vector преобразование идет медленно? - Gregor Thomas; 18.03.2015

comment

Отличный ответ и отличная работа, но я думаю, вы забыли изменить expand.grid в функции mrip; по этой причине он самый быстрый. gregor на самом деле намного быстрее. - Leonardo; 22.01.2021

arrow_upward
6
arrow_downward

Это даст вам матрицу со столбцами, соответствующими соседям каждой записи в матрице:

mat <- matrix(1:16, 4, 4)
m2<-cbind(NA,rbind(NA,mat,NA),NA)
addresses <- expand.grid(x = 1:4, y = 1:4)

ret<-c()
for(i in 1:-1)
  for(j in 1:-1)
    if(i!=0 || j !=0)
      ret<-rbind(ret,m2[addresses$x+i+1+nrow(m2)*(addresses$y+j)]) 


> ret
     [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] [,11] [,12] [,13] [,14]
[1,]    6    7    8   NA   10   11   12   NA   14    15    16    NA    NA    NA
[2,]    2    3    4   NA    6    7    8   NA   10    11    12    NA    14    15
[3,]   NA   NA   NA   NA    2    3    4   NA    6     7     8    NA    10    11
[4,]    5    6    7    8    9   10   11   12   13    14    15    16    NA    NA
[5,]   NA   NA   NA   NA    1    2    3    4    5     6     7     8     9    10
[6,]   NA    5    6    7   NA    9   10   11   NA    13    14    15    NA    NA
[7,]   NA    1    2    3   NA    5    6    7   NA     9    10    11    NA    13
[8,]   NA   NA   NA   NA   NA    1    2    3   NA     5     6     7    NA     9
     [,15] [,16]
[1,]    NA    NA
[2,]    16    NA
[3,]    12    NA
[4,]    NA    NA
[5,]    11    12
[6,]    NA    NA
[7,]    14    15
[8,]    10    11

mrip 17.03.2015

comment

как вы могли настроить это, чтобы получить n-глубину соседей. например, чтобы увеличить ret, чтобы также включить второго, третьего и т.д. ближайших соседей? - Rafael; 02.12.2019

arrow_upward
1
arrow_downward

Вот еще один подход:

n.col <- 5
n.row <- 10
mat <- matrix(seq(n.col * n.row), n.row, n.col)

addresses <- expand.grid(x = 1:n.row, y = 1:n.col)

# Relative addresses
z <- rbind(c(-1,0,1,-1,1,-1,0,1),c(-1,-1,-1,0,0,1,1,1))

get.neighbors <- function(rw) {
  # Convert to absolute addresses 
  z2 <- t(z + unlist(rw))
  # Choose those with indices within mat 
  b.good <- rowSums(z2 > 0)==2  &  z2[,1] <= nrow(mat)  &  z2[,2] <=ncol(mat)
  mat[z2[b.good,]]
}

apply(addresses,1, get.neighbors) # Returns a list with neighbors

Marat Talipov 17.03.2015

arrow_upward
1
arrow_downward

Возможно, вы сможете использовать здесь функцию расстояния, используя индексы строк и столбцов элементов матрицы.

# data
(mat <- matrix(16:31, 4, 4))
     [,1] [,2] [,3] [,4]
[1,]   16   20   24   28
[2,]   17   21   25   29
[3,]   18   22   26   30
[4,]   19   23   27   31

# find distances between row and column indexes
# interested in values where the distance is one
w <-  which(mat==mat, arr.ind=TRUE)
d <- as.matrix(dist(w, "maximum", diag=TRUE, upper=TRUE))

# extract neighbouring values for each element
# extract where max distance is one
a <- apply(d, 1, function(i) mat[i == 1] )
names(a)  <- mat
a

$`16`
[1] "17" "20" "21"

$`17`
[1] "16" "18" "20" "21" "22"

$`18`
[1] "17" "19" "21" "22" "23
... ....
... ....

Необходимо привести в порядок, но, возможно, дает представление

user20650 17.03.2015

найти соседние элементы матрицы в R

Ответы (4)

Бенчмаркинг

Похожие вопросы