Extraer enteros de rangos

Question

En R, ¿cuál es una forma eficiente de extraer los enteros de rangos?

Digamos que tengo una matriz de rangos (columna 1 = iniciar, columna2 = fin)

1 5 
3 6 
10 13 

me gustaría almacenar los que abarcan enteros únicas de todos los rangos en la matriz en un objeto:

1 
2 
3 
4 
5 
6 
10 
11 
12 
13 

Esto se aplicaría a una matriz que contiene ~ 4 millones de rangos, por lo que es de esperar que alguien pueda ofrecer una solución que sea bastante eficiente.

Answer 1

No sé que es particularmente eficiente, pero si su matriz de rangos es ranges continuación, el siguiente debería funcionar:

unique(unlist(apply(ranges, 1, function(x) x[1]:x[2]))) 

Answer 2

Uso sequence y rep:

x <- matrix(c(1, 5, 3, 6, 10, 13), ncol=2, byrow=TRUE) 

ranges <- function(x){ 
    len <- x[, 2] - x[, 1] + 1 
    #allocate space 
    a <- b <- vector("numeric", sum(len)) 
    a <- rep(x[, 1], len) 
    b <- sequence(len)-1 
    unique(a+b) 
} 

ranges(x) 
[1] 1 2 3 4 5 6 10 11 12 13 

---

Como esto utiliza solo código vectorizado, esto debería ser bastante rápido, incluso para grandes conjuntos de datos. En mi máquina una matriz de entrada de 1 millón de filas lleva ~ 5 segundos para ejecutar:

set.seed(1) 
xx <- sample(1e6, 1e6) 
xx <- matrix(c(xx, xx+sample(1:100, 1e6, replace=TRUE)), ncol=2) 
str(xx) 
int [1:1000000, 1:2] 265509 372124 572853 908206 201682 898386 944670 660794 629110 61786 ... 

system.time(zz <- ranges(xx)) 
user system elapsed 
    4.33 0.78 5.22 

str(zz) 
num [1:51470518] 265509 265510 265511 265512 265513 ... 

Answer 3

Supongamos que tenemos start = 3, final = 7, y que había marcado cada uno como un '1' en una recta numérica a partir de 1

starts:  0 0 1 0 0 0 0 0 0 ... 
ends + 1: 0 0 0 0 0 0 0 1 0 ... 

la suma acumulada de las aperturas menos la suma acumulada de los extremos, y la diferencia entre los dos, es

cumsum(starts): 0 0 1 1 1 1 1 1 1 ... 
cumsum(ends + 1): 0 0 0 0 0 0 0 1 1 ... 
diff:    0 0 1 1 1 1 1 0 0 

y las ubicaciones de los de 1 en el diff son

which(diff > 0): 3 4 5 6 7 

Uso tabular para permitir múltiples inicia/termina en el mismo lugar, y

range2 <- function(ranges) 
{ 
    max <- max(ranges) 
    starts <- tabulate(ranges[,1], max) 
    ends <- tabulate(ranges[,2] + 1L, max) 
    which(cumsum(starts) - cumsum(ends) > 0L) 
} 

Para la pregunta, esto da

> eg <- matrix(c(1, 3, 10, 5, 6, 13), 3) 
> range2(eg) 
[1] 1 2 3 4 5 6 10 11 12 13 

Es bastante rápido, por ejemplo de Andrie

> system.time(runs <- range2(xx)) 
    user system elapsed 
    0.108 0.000 0.111 

(esto suena un poco como DNA seque nce análisis, para el cual GenomicRanges podría ser su amigo; usaría las funciones coverage y slice en lecturas, quizás ingrese con readGappedAlignments).

Answer 4

¿No es algo tan simple como:

x <- matrix(c(1, 5, 3, 6, 10, 13), ncol=2, byrow=TRUE) 
do.call(":",as.list(range(x))) 
[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 

Editar

Parece como si tuviera el lado equivocado de la vara, pero mi respuesta puede ser modificado para utilizar union, aunque esto es solo un contenedor para unique:

Reduce("union",apply(x,1,function(y) do.call(":",as.list(y)))) 
[1] 1 2 3 4 5 6 10 11 12 13