Question

我使用高斯 - 拉盖尔积分来近似大矩阵中每个点的积分。目前我要评估每个节点上整个矩阵的函数，并在for循环中求和矩阵。虽然速度不是非常慢，但是这个函数需要大约1秒才能获得~2e6点和~30个节点，并且我希望在期望最大化例程中使用该函数。计算weights[i]*func(nodes[i], x, mu)（x是点的矩阵，mu是行特定的局部均值），R的内置向量化很快，所以我认为减速（不出所料）是矩阵上的循环。使用numpy中的ndarrays，我只需重新整形每个数组，以便将结果广播到m by p数组，其中n，m作为x的维数，p作为节点数，并沿最后一维求和。 R中的多路数组似乎没有这样的功能;操作似乎只适用于相同形状的数组。虽然将数据复制到相同的形状是微不足道的，但是带有~2e6元素的4个数组似乎是浪费。 R中是否有另一个用于多维数组的包/结构，其广播规则类似于numpys？代码如下。查看here了解上下文。

integral.local <- function(x, mu, func, params) {
  # func must be vectorized for x and mu
  integral.sums <- matrix(0,nrow = nrow(x), ncol= ncol(x))
  for (i in 1:length(nodes)){
    integral.sums <- integral.sums + weights[i]*func(nodes[i], x, mu, params)
  }
  integral.sums
}

pow.const.func <- function (theta, x, mu, params) {
  # for use in Gauss-Laguerre quadrature
  # implicitly assumes phi > 0
  # vectorized for x and mu
  s <- exp(1/2*params['beta0'])*(params['phi']*theta + mu)^
    (1/2*params['beta1'])
  tmp <- x-(params['phi']*theta + mu)
  1/(sqrt(2*pi)*s)*exp(-tmp*tmp/(2*s*s))
}

编辑：我的基准测试已关闭。这是基于system.time，当我在循环之前使用repmat将mu复制为x的形状时。对于39个节点，上面的函数下面是microbenchmark。差不多差不多~1秒，但我仍然不介意加快一个数量级。

Unit: milliseconds
          expr       min       lq     mean   median       uq      max neval
integral.local  216.8249 219.7517 233.6998 220.9933 225.3213 1044.216   100

R中的N维数组具有类似numpy的广播？

0 个答案: