假设我想使用以下function 执行模拟：
fn1 <- function(N) {
res <- c()
for (i in 1:N) {
x <- rnorm(2)
res <- c(res, x[2]-x[1])
}
res
}
对于非常大的N，计算似乎挂起。有更好的方法吗？
（灵感来自：https://stat.ethz.ch/pipermail/r-help/2008-February/155591.html）
【问题讨论】：
也许对您的功能最有效的替代品就是：
fn <- function(n) rnorm(N,0,sqrt(2))
这比 iid 正态变量的差异快两倍。更一般地说，如果您的目标是运行简单的模拟，则向量/数组预分配和对本机函数的调用会大大加快该过程。
如果您想为统计估计执行蒙特卡罗模拟（例如 MCMC），R 有许多本机包。对于一般随机模拟，我不知道 R 包，但您可能想尝试 Simpy (http://simpy.sourceforge.net/)，它非常棒。
【讨论】：
扩展我对 chris_dubois 回答的评论，这里有一些时间信息：
> system.time(res <- rnorm(50000) - rnorm(50000))
user system elapsed
0.06 0.00 0.06
将此与来自同一答案的 fn3 进行对比：
> system.time(res3 <- fn3(50000))
user system elapsed
1.33 0.01 1.36
首先要注意的是我的笔记本电脑比 chris_dubois 的机器慢。 :)
第二点，也是更重要的一点是，这里非常适用的向量方法要快一个数量级。 （Richie Cotton 在对同一答案的评论中也指出）。
这让我想到了最后一点：apply 和它的朋友在 R 中的循环比 for 快得多是一个神话。在大多数测量中它们的顺序相同我见过。因为它们只是 for 在幕后循环。另见这篇文章：
http://yusung.blogspot.com/2008/04/speed-issue-in-r-computing-apply-vs.html
根据 Brian Ripley 教授的说法，“apply() 只是一个循环的包装器。”使用 apply() 的唯一好处是它可以让你的代码更整洁！
没错。如果apply 更表现力，你应该使用它，特别是如果你以函数式风格进行编程。不是因为它更快。
【讨论】：
apply 可能和 for 循环一样快，但 lapply 和（尤其是）vapply 通常更快，因为它们是用 C 实现的，并且优化了函数 @ 的调用987654332@。但这仅在FUN 花费的实际时间很短时才有意义。
R 中的 For 循环是出了名的慢，但这里还有另一个问题。预先分配结果向量 res 比在每次迭代时附加到 res 上要快得多。
下面我们可以将上述版本的速度与仅以长度为 N 的向量 res 开始并在循环期间更改第 i 个元素的版本的速度进行比较。
fn1 <- function(N) {
res <- c()
for (i in 1:N) {
x <- rnorm(2)
res <- c(res,x[2]-x[1])
}
res
}
fn2 <- function(N) {
res <- rep(0,N)
for (i in 1:N) {
x <- rnorm(2)
res[i] <- x[2]-x[1]
}
res
}
> N <- 50000
> system.time(res1 <- fn1(N))
user system elapsed
6.568 0.256 6.826
> system.time(res2 <- fn2(N))
user system elapsed
0.452 0.004 0.496
另外，作为Sharpie points out，我们可以通过使用像apply（或其亲属，sapply 和lapply）这样的R 函数来稍微加快速度。
fn3 <- function(N) {
sapply( 1:N, function( i ){ x <- rnorm(2); return( x[2] - x[1] ) } )
}
> system.time(res3 <- fn3(N))
user system elapsed
0.397 0.004 0.397
【讨论】：
有时不需要循环。由于 rnorm 提供 iid 样本（理论上），您将获得相同的结果（采样
X-Y 其中 X 和 Y 是 N(0,1)) 通过这样做：
res <- rnorm(N)-rnorm(N)
【讨论】：
在 R 中，通过使用 apply 函数可以极大地提高循环的效率，这些函数本质上是一次处理整个数据向量，而不是遍历它们。对于上面显示的循环，每次迭代期间都会发生两个基本操作：
# A vector of two random numbers is generated
x <- rnorm( 2 )
# The difference between those numbers is calculated
x[2] - x[1]
在这种情况下，适当的函数是sapply()。 sapply() 对对象列表进行操作，例如循环语句1:N 生成的向量，并返回结果向量：
sapply( 1:N, function( i ){ x <- rnorm(2); return( x[2] - x[1] ) } )
请注意，索引值i在函数调用期间可用，并依次采用1和N之间的值，但在这种情况下不需要。
养成识别apply 可以在for 上使用的习惯是一项非常有价值的技能——许多用于并行计算的R 库通过apply 函数提供即插即用并行化。使用apply 通常可以通过零代码重构在多核系统上获得显着的性能提升。
【讨论】：