Question

任何人都能帮我加速一些代码：

n = seq_len(ncol(mat)) # seq 1 to ncol(mat)
sym.pr<-outer(n,n,Vectorize(function(a,b) {
    return(adf.test(LinReg(mat[,c(a,b)]),k=0,alternative="stationary")$p.value)
}))

其中mat是NxM观察和N个对象的M矩阵，例如：

    Obj1 Obj2 Obj3
1      .    .    .
2      .    .    .    
3      .    .    .

LinReg定义为：

# Performs linear regression via OLS
LinReg=function(vals) {  
  # regression analysis
  # force intercept c at y=0
  regline<-lm(vals[,1]~as.matrix(vals[,2:ncol(vals)])+0)

  # return spread (residuals)
  return(as.matrix(regline$residuals))
}

基本上我正在Obj1, Obj2中对每个对象组合（即Obj2,Obj3和Obj1, Obj3以及mat）执行回归分析（OLS），然后使用{{ 1}}来自adf.test包的函数并存储tseries。最终结果p-value是所有sym.pr的对称矩阵（但实际上它不是100％对称的，请参阅here for more info），但它就足够了。

使用上面的代码，在p-values矩阵（600个观测值和300个物体）上，大约需要15分钟..

我想过可能只计算对称矩阵的上三角形，但不知道如何去做。

有什么想法吗？

感谢。

Answer 1

从一些虚拟数据开始

mdf <- data.frame( x1 = rnorm(5), x2 = rnorm(5), x3 = rnorm(5) )

我首先会确定感兴趣的组合。因此，如果我理解正确，那么mdf[c(i,j)]和mdf[c(j,i)]的计算结果应该相同。在这种情况下，您可以使用combn函数来确定相关对。

pairs <- as.data.frame( t( combn( colnames( mdf  ),2 ) ) )
pairs
  V1 V2
1 x1 x2
2 x1 x3
3 x2 x3

现在你可以在对上逐行应用你的函数（为简单起见，使用t.test）：

pairs[["p.value"]] <- apply( pairs, 1, function( i ){
  t.test( mdf[i] )[["p.value"]]
})
pairs
  V1 V2   p.value
1 x1 x2 0.5943814
2 x1 x3 0.7833293
3 x2 x3 0.6760846

如果你仍然需要你的p.values回到（上三角形）矩阵形式，你可以投射它们：

library(reshape2)
acast( pairs, V1 ~ V2 )
          x2        x3
x1 0.5943814 0.7833293
x2        NA 0.6760846

R加速矢量化为方阵

1 个答案: