采用数组set.seed(123)
a_mtx = matrix(1:15,ncol=5)
b_mtx = matrix(seq(1,5,length.out=30),ncol=5)
b_array =
array(
b_mtx,
dim =
c(
nrow(b_mtx),
ncol(b_mtx),
nrow(a_mtx)
)
)
：
b_array如果我想计算colSums的每个“切片”或“工作表”的每一列的总和，可以将colSums(b_array, dim = 1)
# [,1] [,2] [,3]
#[1,] 8.068966 8.068966 8.068966
#[2,] 13.034483 13.034483 13.034483
#[3,] 18.000000 18.000000 18.000000
#[4,] 22.965517 22.965517 22.965517
#[5,] 27.931034 27.931034 27.931034
及其维数参数使用：
rowSums要对行总和执行相同的操作，我不能使用apply的维度参数，因为它被区别对待，所以我求助于apply(b_array, 3, rowSums)
# [,1] [,2] [,3]
#[1,] 13.27586 13.27586 13.27586
#[2,] 13.96552 13.96552 13.96552
#[3,] 14.65517 14.65517 14.65517
#[4,] 15.34483 15.34483 15.34483
#[5,] 16.03448 16.03448 16.03448
#[6,] 16.72414 16.72414 16.72414
：
apply我希望对尺寸更大的数组执行相同的计算，以使var target = ["apple","banana","orange"];
var checkArray = ["apple","banana","pineapple"];
var containsOneCommonItem = target.some(x => checkArray.some(y => y === x));`
["apple","grape"] //returns true;
["apple","banana","pineapple"] //returns true;
["grape", "pineapple"] //returns false;
和其他for循环方法效率不高。
有没有其他真正的矢量化方法？
答案 0 :(得分：1)
（我相信）关于MARGIN=的{{1}}（第二个）参数的默认思路是，它的意思是“减少的轴”（在聚合时……为了此处的效果而简化） ）。但是，另一种查看方式是所有其他尺寸保持不变。
例如apply的有效等效项是colSums(ary)，表示“保持未减小的轴1” 。 （apply(ary, 2, sum)实际上是在内部完成的，而不是colSums。）因此，要扩展“除 以外的所有轴”的逻辑，让我们为您的apply认识到保持第一轴和第三轴
b_array与（我认为）用 n 维数组进行“列”求和的效率差不多。
修改：
@markus在广泛的矩阵大小范围内使用apply(b_array, c(1,3), sum)
# [,1] [,2] [,3]
# [1,] 13.27586 13.27586 13.27586
# [2,] 13.96552 13.96552 13.96552
# [3,] 14.65517 14.65517 14.65517
# [4,] 15.34483 15.34483 15.34483
# [5,] 16.03448 16.03448 16.03448
# [6,] 16.72414 16.72414 16.72414
的速度更快，尽管它似乎收敛于较大的矩阵。
aperm（我尚未测试内存使用情况。）
答案 1 :(得分：0)
另一个使用aperm
t(colSums(aperm(b_array, perm = c(2, 3, 1))))
# [,1] [,2] [,3]
#[1,] 13.27586 13.27586 13.27586
#[2,] 13.96552 13.96552 13.96552
#[3,] 14.65517 14.65517 14.65517
#[4,] 15.34483 15.34483 15.34483
#[5,] 16.03448 16.03448 16.03448
#[6,] 16.72414 16.72414 16.72414