更改 for 循环以在 r 中应用答案

【问题标题】：Changing for loops to apply in r更改 for 循环以在 r 中应用
【发布时间】：2016-04-16 04:54:36
【问题描述】：

我在需要n 节点和优先附件参数beta 的函数中有一个很好的随机图形模拟。我使用 for 循环，但是当您将 n 设为非常大时，代码需要很长时间才能运行。我想知道是否可以使用 apply 系列来提高效率。

binfunction <- function(y) { #Set up bins to create preferential attachment
 L <- length(y)
 x <- c(0, cumsum(y))
 U <- runif(1, min = 0 , max = sum(y))
  for(i in 1:L) {
   if(x[i] <= U && x[i+1] > U){
    return(i)
  }
 } 
}

random_graph <- function(n, beta) { #Random graphing function
 mat <- matrix(0,n,n)
 mat[1,2] <- 1
 mat[2,1] <- 1
  for(i in 3:n) {
   degvect <- colSums(mat[ , (1:(i-1))])
   degvect <- degvect^(beta)
   j <- binfunction(degvect)
   mat[i,j] <- 1
   mat[j,i] <- 1
 }
return(mat)
}

它可以用于：

set.seed(123)
random_graph(10, 0.5)

【问题讨论】：

你能提供一个reproducible example吗？
@VincentBonhomme 这是一个随机模拟。只需将n 和beta 输入random_graph。（保持 beta 小，即在 0 和 2 之间）
好吧，我编辑了你的问题。
好东西，谢谢
仅使用j <- binfunction(colSums(mat[ , (1:(i-1))])^beta) 即可获得 5% 的收益，但不足以解决您的问题。

标签： r loops apply

【解决方案1】：

如果您追求效率，矢量化是关键。

主要的节省时间（至少对于 big n）是使用样本。

例如：

n <- 1e7                             
sample(0:1, n, replace=TRUE)

大约需要 0.2 秒，而

for(i in 1:n) sample(0:1, 1)

大约需要 24 秒。矢量化操作通常可以替代循环，但知道何时何地取决于您是否熟悉满足您需求的可用函数。

【讨论】：

【解决方案2】：

在处理大图问题时考虑使用稀疏矩阵。使用法线矩阵的计算成本和内存成本都很高。这是一个简短的测试，用库 Matrix 中的 sparseMatrix 替换您的矩阵：

 library(Matrix)
 psidom_random_graph <- function(n, beta) { #Random graphing function
     mat <- sparseMatrix(dims = c(n, n), i = {}, j = {})
     mat[1,2] <- T
     mat[2,1] <- T
     for(i in 3:n) {
         degvect <- colSums(mat[,1:(i-1)])
         degvect <- degvect^beta
         j <- binfunction(degvect)
         mat[i,j] <- T
         mat[j,i] <- T
    }
  return(mat)
}

> microbenchmark(psidom_random_graph(1000,1), killian_random_graph(1000,1))
Unit: seconds
                          expr      min       lq     mean   median       uq
  psidom_random_graph(1000, 1) 1.575727 1.593401 1.637430 1.602013 1.666144
 killian_random_graph(1000, 1) 7.031790 7.092761 7.212975 7.192756 7.308052
      max neval
 1.971281   100
 7.552074   100

【讨论】：