我想用包含rbinom函数的for循环模拟的数据填充矩阵。该循环执行rbinom函数100次，因此每次运行都会产生不同的结果。但是，我找不到将这些结果汇总到矩阵中以进行进一步分析的方法。将for循环分配给对象时，该对象在环境中显示为空，因此无法在矩阵中使用。 （“数据”必须是向量类型，为“ NULL”。）
在for循环中不包含rbinom函数时，可以将其分配给一个对象，并且可以使用矩阵中的输出。但是，每一列都包含完全相同的数字序列。当只运行包含rbinom函数的for循环时，我得到了不同的序列，因为它运行rbinom函数的次数是100次而不是1次。我只是不知道如何将循环集成到te矩阵中。
我有两段代码：
n = 100
size = 7
loop_vill <- for (i in 1:100) {
print(rbinom(n=n, size=size, prob=0.75)) #working for-loop
}
vill <- rbinom(n=n, size=size, prob=0.75)
sim_data_vill <- matrix(data=vill, nrow=length(loop_vill), ncol=100)
#creates a matrix in which all columns are exact copies, should be solved
when able to use outputs of loop_vill.
sim_data_vill
在调用sim_data_vill时，（逻辑上）它包含100行和100列的矩阵，所有列均相同。但是，我希望看到一个矩阵，其中所有列都不同（因此每次都包含新运行的rbinom函数的输出）。
答案 0 :(得分：0)
据我所见，您好，您遇到了一些问题。
vill 现在有几种方法可以实现您想要的。 （滚动到最后一个示例以获取有效的方法）
rbinom 根据您的想法，我们可以使用For loop。最好的方法是先保存一个空矩阵，然后用for loop
for loop现在这可以工作，但是有点慢，并且需要跳3行代码作为仿真部分的代码！
nsim <- 100 #how many rbinom are w
n <- 100000
size = 7
prob = 0.75
sim_data_vill_for_loop <- matrix(ncol = nsim, nrow = n)
for(i in seq(nsim)) #iterate from 1 to nsim
sim_data_vill_for_loop[, i] <- rbinom(n, size = size, prob = prob) #fill in 1 column at a time
我们可以使用众多类似apply的函数之一来删除for循环和预先分配的矩阵。 apply是其中一种功能。这将大量的三行代码减少为：
replicate嗯..很短，但是我们可以做得更好吗？实际上多次运行诸如sim_data_vill_apply <- replicate(nsim, rbinom(n, size, prob))
之类的函数可能会相当缓慢且成本很高。
在R语言中进行编程时，您会听到耳语（或叫喊）的一句话是rbinom。基本上，调用函数会产生开销，如果使用向量化函数，则调用一次，将确保您只产生一次开销，而不是多次。 R中的所有分布函数（例如vectorized）都被向量化。那么，如果我们一次完成全部模拟该怎么办？
rbinom因此，让我们快速检查一下与使用sim_data_vill_vectorized_functions <- matrix(rbinom(nsim * n, size, prob), ncol = nsim, nrow = n, byrow = FALSE) #perform all simulations in 1 rbinom call, and fill in 1 matrix.
或for loop相比，速度要快多少。可以使用microbenchmark软件包来完成此操作：
apply看中间时间，一次运行所有模拟大约需要60毫秒。比使用for循环更快。因此，在这里并没有什么大不了的，但是在其他情况下则可能会。 （将library(microbenchmark)
microbenchmark(for_loop = {
sim_data_vill_for_loop <- matrix(ncol = nsim, nrow = n)
for(i in seq(nsim)) #iterate from 1 to nsim
sim_data_vill_for_loop[, i] <- rbinom(n, size = size, prob = prob) #fill in 1 column at a time
},
apply = {
sim_data_vill_apply <- replicate(nsim, rbinom(n, size, prob))
},
vectorized = {
sim_data_vill_vectorized <- matrix(rbinom(nsim * n, size = size, prob = prob), ncol = nsim, nrow = n, byrow = FALSE)
}
)
Unit: milliseconds
expr min lq mean median uq max neval
for_loop 751.6121 792.5585 837.5512 812.7034 848.2479 1058.4144 100
apply 752.4156 781.3419 837.5626 803.7456 901.6601 1154.0365 100
vectorized 696.9429 720.2255 757.7248 737.6323 765.3453 921.3982 100
和n取反，您将开始发现开销在计算中占很大的比例。）
即使不是什么大问题，在所有情况下，还是都倾向于使用矢量化计算来使它们弹出，以使代码更具可读性，并避免已经在实现的代码中进行优化的不必要的瓶颈。