Question

考虑第一个示例：它计算循环内的均值。

st <- Sys.time() #Starting Time 
set.seed(123456789)
vara <- c()
sda <- c()
mvara <- c() #store mean
msda <- c() #store mean of standard deviation

K <- 100000

for(i in 1:K) {
  a <- rnorm(30)
  vara[i] <- var(a)
  sda[i] <- sd(a)
  mvara[i] <- mean(mvara)
  msda[i] <- mean(msda)
}

et <- Sys.time()

et-st  #time taken by code (approx more than one minute)

考虑相同的代码，除了在循环外计算相同的均值。

st <- Sys.time() #Starting Time 
set.seed(123456789)
vara <- c()
sda <- c()

K <- 100000

for(i in 1:K) {
  a <- rnorm(30)
  vara[i] <- var(a)
  sda[i] <- sd(a)
}

mvara <- cumsum(vara)/ (1:K)
msd <- cumsum(sda)/ (1:K)
et <- Sys.time()  #less than 5 seconds

我只是想知道，为什么两个代码的性能差异如此之大？使用循环时应该注意的地方？

Answer 1

R使用内部优化的代码执行循环时最快。我对造成这种情况的原因的理解很差（上面评论中的主题有更多有学识的人的解释），但我相信其中一些原因与内存预分配有关，还有一些与将问题转化为更多问题的方式有关有效的片段。

通过首先创建所有随机数，然后立即求解整个表，而不是交换，可以使您的代码“循环外”的速度提高约20倍（在我的系统上，从7.17秒变为0.43秒）在循环中的这两个任务之间。那就是使用dplyr;我认为data.table解决方案的速度可能会高出5到10倍，特别是考虑到大量的群组。

library(dplyr)
set.seed(123456789)
K <- 100000
n <- 30
a_df <- data.frame(trial = rep(1:K, each = 30),
                   val   = rnorm(K*n))

results <- a_df %>%
  group_by(trial) %>%
  summarize(vara = var(val),
            sda  = sd(val)) %>%
  mutate(mvara = cumsum(vara) / trial,
         msd   = cumsum(sda)  / trial)

在循环内计算平均值会降低性能

1 个答案: