使用“应用”来提高 R 中的速度

Question

已编辑：我根据您的一些建议编辑了下面的代码（我摆脱了 prop.test 函数并爬出了地狱的第二个圈子）。我很好奇在加快速度方面接下来的步骤是什么。我应该开始使用应用或并行处理，还是其他？

我的主要目标是让它运行得更快。正如我所说，我对此很陌生，所以我会很感激任何建议。感谢您的帮助！

number.of.trials<-500
n.limit<-1000
final.n.list<-numeric(number.of.trials)

for (trials in 1:number.of.trials){
  p.value<-2
  n<-1
  a<-0
  b<-0

  #this while loop stops once test shows significance or when n reaches the limit
  while ((p.value > .05 | p.value==0) & n<=n.limit) {

    ##add new data points to a and b
    a<-a+rbinom(1, 1, .5)
    b<-b+rbinom(1, 1, .5)

    ##calculate chi-square test statistic with continuity correction
    yates.stat<-2*n*(abs(a*(n-b)-b*(n-a))-n)^2/(n*n*(a+b)*(2*n-a-b)) 

    ##calculate p-value
    p.value<-pchisq(q=yates.stat, df=1, lower.tail=FALSE)
    n<-n+1
  }
  final.n.list[trials]<-n-1
}

解释我试图用这段代码做什么： 这是一个实验模拟，其中测试两组（a 和 b）以查看它们在整个实验中是否持续存在显着差异。我想证明传统的 p 值在这种情况下是如何不起作用的。当两组的样本量都为 1000 时（或者如果两组在实验期间的任何时候看起来有显着差异），实验就结束了，我将整个实验重复 500 次。

Answer 1

您已经获得了一些建议，这些建议指出了您对循环内容进行编码的有效性。您是否应该多次调用rbinom() 来生成单个值？为什么不生成一个大数字，比如一次 1000 个，每个 500 个，然后处理它们，可能使用mapply？你读到的那些声称用apply() 提高效率的人真的是大错特错。无论生成为while() 或for() 或apply() 循环，循环都是循环。关键是学习使用矢量化策略。