Question

我必须逐步将回归函数应用于时间序列数据（向量“time”和“tm”，我使用For循环如下：

top<-length(time)
for(k in 2:top){
    lin.regr<-lm(tm[1:k] ~ log(time[1:k]))
    slope[k]<-coef(lin.regr)[2]
}

但是对于矢量长度约为10k，它变得非常慢。是否有更快的替代方案（可能使用应用功能）？

一个更简单的问题：如果我有一个像x＆lt; -c（1:10）这样的向量，我怎样才能构建一个包含（例如）x值渐进和的y向量？像：

x
1 2 3 4 5 6 7 8 9 10
y
1  3  6 10 15 21 28 36 45 55

Answer 1

嗯，没有快速循环替代，除非你可以矢量化。在某些情况下，像ave, aggregate, ddply, tapply, ...这样的函数可以给你带来实质性的胜利，但通常的诀窍在于使用更快的函数，比如cumsum（cfr。用户615147的答案）

举例说明：

top <- 1000
tm <- rnorm(top,10)   
time <- rnorm(top,10)

> system.time(
+ results <- sapply(2:top,function (k) coef(lm(tm[1:k] ~ log(time[1:k])))[2])
+ )
   user  system elapsed 
   4.26    0.00    4.27 

> system.time(
+ results <- lapply(2:top,function (k) coef(lm(tm[1:k] ~ log(time[1:k])))[2])
+ )
   user  system elapsed 
   4.25    0.00    4.25 

> system.time(
+ results <- for(k in 2:top) coef(lm(tm[1:k] ~ log(time[1:k])))[2]
+ )
   user  system elapsed 
   4.25    0.00    4.25 

> system.time(
+ results <- for(k in 2:top) lm.fit(matrix(log(time[1:k]),ncol=1),
+                                 tm[1:k])$coefficients[2]
+ )
   user  system elapsed 
   0.43    0.00    0.42

唯一更快的解决方案是lm.fit()。不要误会，每次运行分析时，时间差异都很大，因此在R中{0.02}的差异并不重要。sapply, for和lapply在这里完全一样快。诀窍是使用lm.fit。

如果您有一个名为Data的数据框，则可以使用以下内容：

Data <- data.frame(Y=rnorm(top),X1=rnorm(top),X2=rnorm(top))

mf <- model.matrix(Y~X1+X2,data=Data)
results <- sapply(2:top, function(k)
  lm.fit(mf[1:k,],Data$Y[1:k])$coefficients[2]
)

作为更通用的解决方案。

Answer 2

results <- sapply(2:top,function (k) coef(lm(tm[1:k] ~ log(time[1:k])))[2])

〜apply函数系列是在R中迭代的最快方法。

还可以看一下使用lm.fit（）来加速你的注册

cumsum(1:10)

是如何做第二个问题

用于循环操作的循环替代方案

2 个答案: