r - 查找字符串向量的所有唯一组合的幂集

Question

我试图找到长度为 39 的向量/项目列表的所有唯一分组。下面是我的代码:

x <- c("Dominion","progress","scarolina","tampa","tva","TminKTYS",
       "TmaxKTYS","TminKBNA","TmaxKBNA","TminKMEM","TmaxKMEM",
       "TminKCRW","TmaxKCRW","TminKROA","TmaxKROA","TminKCLT",
       "TmaxKCLT","TminKCHS","TmaxKCHS","TminKATL","TmaxKATL",
       "TminKCMH","TmaxKCMH","TminKJAX","TmaxKJAX","TminKLTH",
       "TmaxKLTH","TminKMCO","TmaxKMCO","TminKMIA","TmaxKMIA",
       "TminKPTA","TmaxKTPA","TminKPNS","TmaxKPNS","TminKLEX",
       "TmaxKLEX","TminKSDF","TmaxKSDF")

# Generate a list with the combinations  
zz <- sapply(seq_along(x), function(y) combn(x,y))
# Filter out all the duplicates
sapply(zz, function(z) t(unique(t(z)))) 

但是，该代码导致我的计算机内存不足。有一个更好的方法吗？我意识到我有一个很大的 list 。谢谢。

Answer 1

要计算所有唯一的子集，您只需创建与原始项目集的基数具有相同长度的所有二进制向量。如果有 39 个项目，那么您正在查看长度为 39 的所有二进制向量。每个向量的每个元素标识是或否，该项目是否在相应的子集中。

由于有 39 个项目，每个项目都可以在或不在给定的子集中，因此有 2^39 个可能的子集。排除空集，即全 0 向量，您有 2^39 - 1 个可能的子集。

也就是说，正如@joran 所说，大约有 549B 个向量。鉴于二进制向量最紧凑地表示数据(即没有字符串)，那么您将需要 549B * 39 位来返回所有子集。我不认为你想存储这个:大约 2.68E12 个字节。如果您坚持使用这些字符，那么您的容量可能会达到数十 TB。

购买一个可以支持这个的系统当然是可行的，但不是很划算。

在元级别上，正如@JD 所说，这很可能不是您真正需要走的路。我建议发布一个新问题，也许可以在此处或与统计相关的 SE 网站上对其进行改进。