将嵌套的for循环存储到R中的单个向量中答案

【问题标题】：Storing a nested for loop into a single vector in R将嵌套的for循环存储到R中的单个向量中
【发布时间】：2021-08-18 07:15:16
【问题描述】：

假设我有以下代码

b = 1:3
m = 5

for(j in 1:2){
  for(i in 1:5){
    print((1-i/m)* b[j] + (i/m)* b[j+1])
  }
}

如果我打印这个，我会得到以下输出

[1] 1.2
[1] 1.4
[1] 1.6
[1] 1.8
[1] 2
[1] 2.2
[1] 2.4
[1] 2.6
[1] 2.8
[1] 3

但是，现在我想将此数据存储到单个列向量中。当我用 print 代替空向量或列表 z[i]

【问题讨论】：

标签： r for-loop nested nested-for-loop

【解决方案1】：

基础 R，sapply

b = 1:3
m = 5

df <- sapply(1:2,function(j){
  sapply(1:5,function(i){
    out <- (1-i/m)* b[j] + (i/m)* b[j+1]
    return(out)
  })
})

result <- c(df[c(1:5),c(1:2)])

结果

[1] 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0

速度测试 - sapply 与 for 循环

b = 1:10001
m = 5

> system.time({ 
+ df <- sapply(1:10000,function(j){
+   sapply(1:5,function(i){
+     out <- (1-i/m)* b[j] + (i/m)* b[j+1]
+     return(out)
+   })
+ })
+ })
   user  system elapsed 
   0.19    0.00    0.19 
 
> system.time({ 
+ out <- c()
+ for(j in 1:10000){
+   for(i in 1:5){
+     out <- c(out, (1-i/m)* b[j] + (i/m)* b[j+1])
+   }
+ }
+ })
   user  system elapsed 
   3.00    0.02    3.02

【讨论】：

*apply 函数通常不会比 for 循环快很多。它们实际上调用了它们内部的循环。使用 apply 函数的主要优点是清晰和可读性，而不是速度。即使是嵌套的应用程序也不会胜过嵌套的 for 循环。您的示例非常复杂，因此与原始嵌套 for 循环相比没有任何优势。
应用函数也不会同时运行线程。
@GuedesBF 我只是尝试在顶部循环中使用计时器和 1:10000 运行它，如果我添加一个循环，我的代码得到“0.19”秒，双 for 循环得到 3.00 秒额外的零我的代码是 1.84 秒，而循环没有完成，我确信这与线程有关，但也许这是 for 循环必须为每次运行覆盖向量的方式imgur.com/2l2ZCtk
@GuedesBF 删除了我的解释，所以我不会传播错过的信息，谢谢
有一些关于应用和循环性能的有趣讨论：stackoverflow.com/questions/42393658/…stackoverflow.com/questions/2275896/…

【解决方案2】：

我们可以启动一个向量并将输出附加到它

out <- c()
 for(j in 1:2){
  for(i in 1:5){
    out <- c(out, (1-i/m)* b[j] + (i/m)* b[j+1])
  }
}

df1 <- data.frame(out)

-输出

或者另一个选项是来自base R的outer

out <- c(t( outer(1:2, 1:5, FUN = function(j, i) (1-i/m)* b[j] + (i/m)* b[j+1])))

-输出

out
#[1] 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6 2.8 3.0

或使用expand.grid (R 4.1.0)

expand.grid(j = 1:2, i = 1:5) |> 
      transform(out = (1-i/m)*b[j] + (i/m) * b[j + 1]) |> 
      subset(select = out)
   out
1  1.2
2  2.2
3  1.4
4  2.4
5  1.6
6  2.6
7  1.8
8  2.8
9  2.0
10 3.0

基准测试


j1 <- 1:200
i1 <- 1:500
# // outer 
system.time({
 out <- c(t( outer(j1, i1, FUN = function(j, i) (1-i/m)* b[j] + (i/m)* b[j+1])))

})
#  user  system elapsed 
#  0.004   0.000   0.004 

# // sapply

system.time({
out2 <- sapply(j1,function(j){
  sapply(i1,function(i){
    out <- (1-i/m)* b[j] + (i/m)* b[j+1]
    return(out)
  })
})
})
# user  system elapsed 
#  0.152   0.004   0.155

【讨论】：