最近在重新阅读Hadley的Advanced R时，我注意到他在第6章中说`if`可以像函数一样使用，例如：`if`(i == 1, print("yes"), print("no"))（如果你手头有实体书，它在第80页）
我们知道ifelse很慢（ifelse是否真的每次都计算其两个向量？速度很慢吗？），因为它评估所有参数。由于if似乎只评估TRUE参数（这只是我的假设），那么`if`是否是一个好的替代品呢？
更新：根据@Benjamin和@Roman的答案以及@Gregor和许多其他人的评论，ifelse似乎是矢量化计算的更好解决方案。我选择@Benjamin的答案，因为它提供了更全面的比较，对社区的福祉更有益。但是，两个答案（以及评论）都值得一读。
这更像是对Roman答案的延伸评论，但我需要代码实用工具来详细阐述：
Roman正确指出if比ifelse更快，但我认为if的速度提升并不特别有趣，因为它不能轻易地通过向量化来利用。也就是说，只有在cond/test参数的长度为1时，if才比ifelse优越。
考虑下面的函数，这是一种尝试将if向量化但没有评估yes和no条件的副作用的薄弱方法。
ifelse2 <- function(test, yes, no){
result <- rep(NA, length(test))
for (i in seq_along(test)){
result[i] <- `if`(test[i], yes[i], no[i])
}
result
}
ifelse2a <- function(test, yes, no){
sapply(seq_along(test),
function(i) `if`(test[i], yes[i], no[i]))
}
ifelse3 <- function(test, yes, no){
result <- rep(NA, length(test))
logic <- test
result[logic] <- yes[logic]
result[!logic] <- no[!logic]
result
}
set.seed(pi)
x <- rnorm(1000)
library(microbenchmark)
microbenchmark(
standard = ifelse(x < 0, x^2, x),
modified = ifelse2(x < 0, x^2, x),
modified_apply = ifelse2a(x < 0, x^2, x),
third = ifelse3(x < 0, x^2, x),
fourth = c(x, x^2)[1L + ( x < 0 )],
fourth_modified = c(x, x^2)[seq_along(x) + length(x) * (x < 0)]
)
Unit: microseconds
expr min lq mean median uq max neval cld
standard 52.198 56.011 97.54633 58.357 68.7675 1707.291 100 ab
modified 91.787 93.254 131.34023 94.133 98.3850 3601.967 100 b
modified_apply 645.146 653.797 718.20309 661.568 676.0840 3703.138 100 c
third 20.528 22.873 76.29753 25.513 27.4190 3294.350 100 ab
fourth 15.249 16.129 19.10237 16.715 20.9675 43.695 100 a
fourth_modified 19.061 19.941 22.66834 20.528 22.4335 40.468 100 a
一些编辑: 感谢Frank和Richard Scriven指出我的不足。
正如你所见，将向量分解以适合传递给if的过程是一个耗时的过程，最终比只运行ifelse要慢（这可能就是为什么没有人费心实现我的解决方案）。
如果你真的急需提高速度，你可以使用上面的ifelse3方法。或者更好的选择是Frank不太明显*但很棒的解决方案。
yes和no长度为1时有效，否则您应该坚持使用ifelse3fourth = c("非负", "负")[1L + ( x < 0 )] - Frankifelse 相比仍运行得更慢。 - Benjaminfor 比 sapply 慢得多"，那意味着你还没有充分熟悉 R 的使用。 - nicolasapply 比 for 循环慢，因为它调用了 simplify2array。另一方面，lapply 和 vapply 通常比循环更快。没有任何一种 *apply 比循环快得多，尽管许多人认为是这样的。 - nicolaif 是通过 .Primitive 接口调用的原始（编译的）函数，而 ifelse 是 R 字节码，因此似乎 if 会更快。运行一些快速基准测试。
> microbenchmark(`if`(TRUE, "a", "b"), ifelse(TRUE, "a", "b"))
Unit: nanoseconds
expr min lq mean median uq max neval cld
if (TRUE) "a" else "b" 46 54 372.59 60.0 68.0 30007 100 a
ifelse(TRUE, "a", "b") 1212 1327 1581.62 1442.5 1617.5 11743 100 b
> microbenchmark(`if`(FALSE, "a", "b"), ifelse(FALSE, "a", "b"))
Unit: nanoseconds
expr min lq mean median uq max neval cld
if (FALSE) "a" else "b" 47 55 91.64 61.5 73 2550 100 a
ifelse(FALSE, "a", "b") 1256 1346 1688.78 1460.0 1677 17260 100 b
看起来，不考虑实际分支中的代码，if至少比ifelse快20倍。但需要注意的是，这并没有考虑测试表达式的复杂性以及可能存在的优化。
更新：请注意，这个快速基准测试表示了if与ifelse的一个非常简单和有些偏见的使用情况（正如评论中所指出的）。虽然它是正确的，但它低估了ifelse的使用情况，对此，Benjamin的答案似乎提供了更公平的比较。
if而不是ifelse，因为它更快”，而不理解使用情况的差异。 - Gregor Thomasif比使用ifelse更快，使用+和-比使用sum和diff更快，这似乎毫不奇怪。 - Gregor Thomas是的。我使用ifelse()开发了一个处理152589条记录的程序，用时90分钟，但使用if()改进后只需要25分钟。
for(i in ...){
# "Case 1"
# asesorMinimo<-( dummyAsesor%>%filter(FechaAsignacion==min(FechaAsignacion)) )[1,]
# asesorRegla<-tail(dummyAsesor%>%filter( FechaAsignacion<=dumFinClase)%>%arrange(FechaAsignacion),1)
# #Asigna Asesor
# dummyRow<-dummyRow%>%mutate(asesorRetencion=ifelse(dim(asesorRegla)[1]==0,asesorMinimo$OperadorNombreApellido,asesorRegla$OperadorNombreApellido))
# "Case 2"
asesorRegla<-tail(dummyAsesor%>%filter( FechaAsignacion<=dumFinClase)%>%arrange(FechaAsignacion),1)
asesorMinimo<-( dummyAsesor%>%filter(FechaAsignacion==min(FechaAsignacion)) )[1,]
if(dim(asesorRegla)[1]==0){
dummyRow<-dummyRow%>%mutate(asesorRetencion=asesorMinimo[1,7])
}else{
dummyRow<-dummyRow%>%mutate(asesorRetencion=asesorRegla[1,7])
}
}
if与ifelse不是很好的比较，for (i in 1:n) { if(condition[i]){...} else {...} }与ifelse则可进行比较。 - Gregor Thomas