Risposte:
O leggilo con 'scan', o fai semplicemente as.vector () sulla matrice. Potresti voler trasporre prima la matrice se lo desideri per righe o colonne.
> m=matrix(1:12,3,4)
> m
[,1] [,2] [,3] [,4]
[1,] 1 4 7 10
[2,] 2 5 8 11
[3,] 3 6 9 12
> as.vector(m)
[1] 1 2 3 4 5 6 7 8 9 10 11 12
> as.vector(t(m))
[1] 1 4 7 10 2 5 8 11 3 6 9 12
Se stiamo parlando di data.frame, allora dovresti chiederti se le variabili sono dello stesso tipo? In questo caso, puoi usare rapply o unlist, poiché data.frames sono elenchi, nel profondo delle loro anime ...
data(mtcars)
unlist(mtcars)
rapply(mtcars, c) # completely stupid and pointless, and slower
Da ?matrix
: "Una matrice è il caso speciale di un 'array' bidimensionale." Puoi semplicemente modificare le dimensioni della matrice / matrice.
Elts_int <- as.matrix(tmp_int) # read.table returns a data.frame as Brandon noted
dim(Elts_int) <- (maxrow_int*maxcol_int,1)
puoi usare as.vector()
. Sembra che sia il metodo più veloce secondo il mio piccolo benchmark, come segue:
library(microbenchmark)
x=matrix(runif(1e4),100,100) # generate a 100x100 matrix
microbenchmark(y<-as.vector(x),y<-x[1:length(x)],y<-array(x),y<-c(x),times=1e4)
La prima soluzione utilizza as.vector()
, la seconda utilizza il fatto che una matrice è archiviata come un array contiguo in memoria e length(m)
fornisce il numero di elementi in una matrice m
. Il terzo istanzia un array
from x
e il quarto usa la funzione concatenate c()
. Ho provato anche unmatrix
da gdata
, ma è troppo lento per essere menzionato qui.
Ecco alcuni dei risultati numerici che ho ottenuto:
> microbenchmark(
y<-as.vector(x),
y<-x[1:length(x)],
y<-array(x),
y<-c(x),
times=1e4)
Unit: microseconds
expr min lq mean median uq max neval
y <- as.vector(x) 8.251 13.1640 29.02656 14.4865 15.7900 69933.707 10000
y <- x[1:length(x)] 59.709 70.8865 97.45981 73.5775 77.0910 75042.933 10000
y <- array(x) 9.940 15.8895 26.24500 17.2330 18.4705 2106.090 10000
y <- c(x) 22.406 33.8815 47.74805 40.7300 45.5955 1622.115 10000
L'appiattimento di una matrice è un'operazione comune nel Machine Learning, dove una matrice può rappresentare i parametri da apprendere ma si utilizza un algoritmo di ottimizzazione da una libreria generica che prevede un vettore di parametri. Quindi è comune trasformare la matrice (o le matrici) in un tale vettore. È il caso della funzione R standard optim()
.
Puoi usare la soluzione di Joshua ma penso che tu ne abbia bisogno Elts_int <- as.matrix(tmp_int)
O per i loop:
z <- 1 ## Initialize
counter <- 1 ## Initialize
for(y in 1:48) { ## Assuming 48 columns otherwise, swap 48 and 32
for (x in 1:32) {
z[counter] <- tmp_int[x,y]
counter <- 1 + counter
}
}
z è un vettore 1d.