使用 apply() 时是否可以保留内存？答案

【问题标题】：Is it possible to keep memory while using apply()?使用 apply() 时是否可以保留内存？
【发布时间】：2020-07-10 06:13:50
【问题描述】：

我需要在activation_status 列表t 上运行函数lapply，以便函数的t 迭代记住t-1 迭代的结果。

该列表基本上是一个二维数组，表示多个 t 期间的单个项目 i 状态，如下所示：

n_items <<- 100
n_iterations <<- 10

activation_status <- 
  lapply(1:n_iterations, 
         FUN = function(t, bool, i) rep(bool, t), 
         FALSE, n_items)

现在在每次迭代 t 期间，我随机激活（设置为 TRUE）列表中的一些项目，但我希望在时间 t-1 已激活的所有项目保持活动状态（请注意，我在 update 函数中定义 activation_status 以便它可以在内部函数中访问）。

updateActivation <- function(t) {
  activation_status[[t]] <- as.logical(rbinom(n_items, 1, prob = .5))
  activation_status[[t]][activation_status[[t-1]] == TRUE] <- TRUE
}

然后

lapply(1:n_iterations, updateActivation)

抛出错误：

activation_status[[t - 1]] 中的错误：尝试在 get1index 中选择少于一个元素

我知道我可以使用循环，但我想知道是不是这样：

可以用apply 函数做这样的事情吗？
做得更快？

【问题讨论】：

标签： r scope iteration lapply

【解决方案1】：

不确定我是否完全理解了这个问题，但似乎您正在寻找递归。
在这种情况下，可以使用Reduce() 代替lapply()：

activation_status <- rep(FALSE, 10)
n_iterations      <- 5
Reduce(function(y, x) as.logical(rbinom(length(y), 1, prob=0.1)) | y,
       x=1:n_iterations, init=activation_status, accumulate=TRUE
       )

[[1]]                                                           
 [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

[[2]]                                                           
 [1] FALSE FALSE FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE

[[3]]                                                           
 [1] FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE

[[4]]                                                           
 [1] FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE

[[5]]                                                           
 [1]  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE FALSE FALSE FALSE

[[6]]                                                           
 [1]  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE FALSE

【讨论】：

【解决方案2】：

我们或许可以在不使用任何apply 命令的情况下做到这一点。

#Set seed for reproduciblity
set.seed(123)
#Create initialization demo data
activation_status <- rep(FALSE, 10)
#Number of values to select
n_iterations <- 5
#Sequence from 1:n_iterations
seq_n_iterations <- seq_len(n_iterations)
#Create matrix to hold output
output <- replicate(n_iterations, activation_status)
#Select n_iterations random values from 1:length(activation_status)
#You can change this if you want to use some specific distrubution
points <- sample(length(activation_status), n_iterations)
#Create column indices
cols <- rep(seq_n_iterations, seq_n_iterations)
#Create row indices
rows <- points[ave(inds, inds, FUN = seq_along)]
#Change those values to TRUE
output[cbind(rows, cols)] <- TRUE

output
#       [,1]  [,2]  [,3]  [,4]  [,5]
# [1,] FALSE FALSE FALSE FALSE FALSE
# [2,] FALSE FALSE  TRUE  TRUE  TRUE
# [3,]  TRUE  TRUE  TRUE  TRUE  TRUE
# [4,] FALSE FALSE FALSE FALSE FALSE
# [5,] FALSE FALSE FALSE FALSE FALSE
# [6,] FALSE FALSE FALSE FALSE  TRUE
# [7,] FALSE FALSE FALSE FALSE FALSE
# [8,] FALSE FALSE FALSE  TRUE  TRUE
# [9,] FALSE FALSE FALSE FALSE FALSE
#[10,] FALSE  TRUE  TRUE  TRUE  TRUE

如果您希望它们作为列表：

asplit(output, 2)

#[[1]]
# [1] FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE

#[[2]]
# [1] FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE

#[[3]]
# [1] FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE

#[[4]]
# [1] FALSE  TRUE  TRUE FALSE FALSE FALSE FALSE  TRUE FALSE  TRUE

#[[5]]
# [1] FALSE  TRUE  TRUE FALSE FALSE  TRUE FALSE  TRUE FALSE  TRUE

【讨论】：