我正在尝试对所有可能的向量组合执行点积。我能够找到所有可能的组合。我只是不太明白 combn() 中的 FUN 参数是如何工作的。以下是我的代码，感谢您的帮助！
def=c("Normal.def","Fire.def","Water.def","Electric.def","Grass.def","Ice.def",
"Fighting.def","Poison.def","Ground.def","Flying.def","Pyschic.def","Bug.def",
"Rock.def","Ghost.def","Dragon.def","Null.def")
combn(def,2,FUN=def%*%def,simplify=TRUE)
【问题讨论】：
combn 可能不是您开始任务的最佳函数......
标签： r dot-product combn
使用@BrodieG 的示例数据，您可以只使用crossprod 函数：
set.seed(1)
vec1 <- sample(1:10)
vec2 <- sample(1:10)
vec3 <- sample(1:10)
crossprod(cbind(vec1, vec2, vec3))
# vec1 vec2 vec3
# vec1 385 298 284
# vec2 298 385 296
# vec3 284 296 385
出于好奇，一些基准测试：
要运行的函数：
fun1 <- function() {
A <- crossprod(do.call(cbind, lst))
A[upper.tri(A)]
}
fun2 <- function() {
A <- do.call(rbind, lst) %*% do.call(cbind, lst)
A[upper.tri(A)]
}
fun3 <- function() {
combn(
seq_along(lst), 2,
FUN=function(idx) c(lst[[idx[[1]]]] %*% lst[[idx[[2]]]])
)
}
“少量大向量”的基准测试。
library(microbenchmark)
set.seed(1)
n <- 5
lst <- setNames(replicate(n, sample(1:100000), simplify = FALSE),
paste0("V", sequence(n)))
microbenchmark(fun1(), fun2(), fun3())
# Unit: milliseconds
# expr min lq median uq max neval
# fun1() 6.909651 6.992031 8.432346 8.520301 74.12263 100
# fun2() 17.290101 18.811134 19.144601 21.292544 88.10602 100
# fun3() 22.841209 24.283113 24.427876 25.820158 91.14007 100
没有足够的耐心对中等数量的中等向量进行基准测试：
set.seed(1)
n <- 1000
lst <- setNames(replicate(n, sample(1:1000), simplify = FALSE),
paste0("V", sequence(n)))
system.time(fun1())
# user system elapsed
# 0.245 0.004 0.251
system.time(fun2())
# user system elapsed
# 0.407 0.016 0.425
system.time(fun3())
# user system elapsed
# 14.216 0.004 14.339
【讨论】：
crossprod 似乎始终排在首位，但我能够比t(mx) %*% mx（其中mx == cbind(...)）更快地获得combn，每个向量都有1e6 长。我很惊讶crossprod 和t(mx) %*% mx 之间存在如此大的差异，因为它们做同样的事情，而后者几乎都是内部 c 代码；此外，转置只占两者差异的一小部分。
?crossprod，正如您可能看到的那样：这在形式上等同于（但通常略快于）调用 t(x) %*% y (crossprod) 或 x %*% t(y) (tcrossprod)。但实际上差异很大。
crossprod(mx, mx) 的速度是crossprod(mx) 的两倍（至少在我引用的 3 列示例中）。与t(mx) %*% mx 进行比较时，他们一定是引用了第一个用例。但是，是的，我经常发现文档中缺乏细节令人恼火。
你为什么不把整个东西矩阵相乘。例如：
set.seed(1)
vec1 <- sample(1:10)
vec2 <- sample(1:10)
vec3 <- sample(1:10)
rbind(vec1, vec2, vec3) %*% cbind(vec1, vec2, vec3)
产生：
vec1 vec2 vec3
vec1 385 298 284
vec2 298 385 296
vec3 284 296 385
矩阵的每个单元格是 col 和 row 标签中两个向量的点积。或者，如果你真的想使用combn：
vec.lst <- list(vec1, vec2, vec3)
combn(
seq_along(vec.lst), 2,
FUN=function(idx) c(vec.lst[[idx[[1]]]] %*% vec.lst[[idx[[2]]]])
)
产生：
[1] 298 284 296
注意这些数字如何对应于矩阵的上三角形。对于小型数据集，矩阵乘法方法要快得多。对于大型的，特别是那些向量非常大但数量不多的向量，combn 方法可能会更快，因为它不会运行尽可能多的计算（基本上只有上三角形）。
【讨论】：
combn 遥遥领先的示例数据。 crossprod 排在首位，但是您提出的 cbind/rbind 方法也很有效。