为简单的类似蒙特卡罗的模拟优化代码

【问题标题】：Optimise code for a simple monte carlo like simulation为简单的类似蒙特卡罗的模拟优化代码
【发布时间】：2017-07-26 07:59:12
【问题描述】：

我运行了以下有效但需要很长时间的代码，我确信有一种方法可以更快地获得相同的结果。

runs <- 1000
prediction <- runif(77,0,1)
n< - length(prediction)
df.all <- data.frame(Preds = rep(prediction, runs),
                     simno=rep(1:runs,each=n))

for (x in 1:runs) {
  for (i in 1:length(df.all$Preds)){
    df.all$rand[i] <- sample(1:100,1)
    df.all$Win[i] <- ifelse(df.all$rand[i]<df.all$Preds[i]*100,1,0)
  }
}

df.all% >% group_by(simno) %>% summarise(Wins=sum(Win)) -> output

【问题讨论】：

标签： r performance optimization

【解决方案1】：

这可以通过以下方式轻松矢量化：

执行单个示例操作（不是附加的 replace = TRUE 参数。
执行单个比较>

可以去掉里面的for循环来获取

for (x in 1:runs) {
  df.all$rand = sample(1:100, size = length(prediction), replace=TRUE)
  df.all$Win = df.all$rand < df.all$Preds*100
}

然后您可以更进一步并删除该循环

df.all$rand = sample(1:100, n = nrow(df.all), replace=TRUE)
df.all$Win = df.all$rand < df.all$Preds*100

【讨论】：

您可以改用数据框列表，并在运行编号 x 中填写 df.all[[x]]$rand。在循环结束时，您可以使用 Reduce(rbind, df.all) 将它们全部绑定到一个大数据帧中。