R语言中识别矩阵相同行并对行索引分组的惯用方法

基础R实现（无额外依赖） #

这是最通用的原生R写法，适合中小规模数据：

# 示例矩阵
mat <- matrix(c(2,5,5,3,4,6,2,5,4,6,4,6), ncol=2, byrow=T)

# 生成每行唯一标识，按首次出现顺序生成分组ID
group_id <- as.integer(factor(interaction(mat[,1], mat[,2], sep = "|"), levels = unique(interaction(mat[,1], mat[,2], sep = "|"))))

# 输出形式1：行索引+分组ID的两列矩阵
groups <- cbind(seq_len(nrow(mat)), group_id)
colnames(groups) <- c("行索引", "分组ID")
print(groups)

# 输出形式2：按分组拆分的行索引列表
group_list <- split(seq_len(nrow(mat)), group_id)
print(group_list)

运行结果完全符合需求：

行索引 分组ID
[1,]      1      1
[2,]      2      2
[3,]      3      3
[4,]      4      1
[5,]      5      3
[6,]      6      3

$`1`
[1] 1 4

$`2`
[1] 2

$`3`
[1] 3 5 6

高性能实现（适合百万/千万级大规模数据） #

对于你提供的1000万行级别的测试数据，推荐使用data.table实现，性能是基础R的5~10倍，内存占用更低，是工业级数据处理的惯用方案：

library(data.table)

# 1000万行测试数据构造
set.seed(123)
n <- 10000000
mat <- matrix(sample.int(10, 2*n, replace = T), ncol=2)

# 转换为data.table后按两行内容分组生成ID
dt <- as.data.table(mat)
dt[, group_id := .GRP, by = .(V1, V2)]

# 两种输出形式
groups <- as.matrix(dt[, .(行索引 = .I, 分组ID = group_id)])
group_list <- split(dt$.I, dt$group_id)

最佳实践建议 #

• 万行以下的小数据：优先用基础R方案，无需引入额外依赖，代码简洁易读
• 十万行以上的中大规模数据：优先用data.table方案，性能优势非常明显
• 如果后续还要做分组聚合、过滤等操作，直接保留data.table结构即可，无需转成矩阵或列表，后续操作效率更高
• 如果你习惯使用tidyverse生态，也可以用dplyr::group_by(V1, V2) %>% dplyr::mutate(group_id = dplyr::cur_group_id())实现，语法更统一，但性能略低于data.table

内容的提问来源于stack exchange，提问作者Szabolcs