Question

1我试图制作一个无限制因子函数（只是出于好奇。）这适用于大n（尝试高达100000，它似乎工作，虽然我无法检查输出正确的价值，因为，它是大的！）

(BigInt(1) to n).reduceRight(_*_)

但我担心整个BigInt(1) to n范围可能在记忆中，而我只需要逐个元素reduceRight。看看Scala的标准库代码看起来BigInt(1) to n实际上输出了整个Range而不是懒惰的Stream但我找到了Stream.range我可以这样使用（通知n+1，流范围是独占的）

Stream.range[BigInt](BigInt(1), BigInt(n+1)).reduceRight(_*_)

适用于n=10000（出于某种原因，它需要更长的时间！这让我觉得正常范围实际上也可能是Stream？）但n=100000我得到这个堆栈溢出

java.lang.StackOverflowError
    at java.math.BigInteger.add(Unknown Source)
    at scala.math.BigInt.$plus(BigInt.scala:161)
    at scala.math.Numeric$BigIntIsIntegral$class.plus(Numeric.scala:28)
    at scala.math.Numeric$BigIntIsIntegral$.plus(Numeric.scala:40)
    at scala.math.Numeric$BigIntIsIntegral$.plus(Numeric.scala:40)
    at scala.math.Numeric$Ops.$plus(Numeric.scala:208)
    at scala.collection.immutable.Stream$$anonfun$range$1.apply(Stream.scala:695)
    at scala.collection.immutable.Stream$$anonfun$range$1.apply(Stream.scala:695)
    at scala.collection.immutable.Stream$Cons.tail(Stream.scala:634)
    at scala.collection.immutable.Stream$Cons.tail(Stream.scala:626)
    at scala.collection.LinearSeqOptimized$class.reduceRight(LinearSeqOptimized.scala:130)
    at scala.collection.immutable.Stream.reduceRight(Stream.scala:47)
    at scala.collection.LinearSeqOptimized$class.reduceRight(LinearSeqOptimized.scala:131)
    at scala.collection.immutable.Stream.reduceRight(Stream.scala:47)
    at scala.collection.LinearSeqOptimized$class.reduceRight(LinearSeqOptimized.scala:131)
    at scala.collection.immutable.Stream.reduceRight(Stream.scala:47)
    ...

很明显，reduceRight正在调用自己这样的

reduceRight(reduceRight(first, second, op), third, op)...

因此堆栈溢出。我假设它不是尾部调用优化的，因为它首先减少然后在返回值之前运行，因此无法进行优化。那我怎么能解决这个问题呢？我是否应该抛弃功能方法并针对自定义命令式代码进行减少？

令我感到奇怪的是，(BigInt(1) to n).reduceRight(_*_)对于大n没有溢出，而使用流几乎相同...这里发生了什么？

Answer 1

你的第一个解决方案will create a list in memory来存储反向序列是正确的。你可以简单地使用reduceLeft（在范围上没有这个问题），但是它会以相反的方向通过范围。如果由于某种原因你想从大端开始但是保持reduceLeft的懒惰，你可以向后创建Range：

def fact(n: Int) = (BigInt(n) to 1 by -1).reduceLeft(_ * _)

您可以other ways轻松优化此功能。

Answer 2

实现

reduceLeft来计算流上的内容（并按顺序调用）。您可以按如下方式进行验证：

Stream.range(1,10).map(i => print(i)).reduceLeft((a,b) => println("r"))

或者您可以使用尾递归：

final def fac(n: BigInt, prod: BigInt = BigInt(1)): BigInt = {
  if (n<2) prod else fac(n-1,prod*n)
}

（正如Travis指出的那样，首先将小数字相乘会更快，这需要额外的一行）。

Answer 3

请尝试使用reduceLeft。 reduceRight从流的末尾开始，因此强制评估每个元素 - 正是您想要避免的。

Answer 4

def fac (n: BigInt=1, m:BigInt=1): Stream[BigInt] = 
  Stream.cons (n, fac (n * m, m+1))

fac().take (10).toList
res27: List[BigInt] = List(1, 1, 2, 6, 24, 120, 720, 5040, 40320, 362880)

也适用于take(10000).toList。

减少大流而不会出现堆栈溢出

4 个答案: