本文讨论了计算随机游走的各种基本R方法的时间。本文受到
此帖子中的评论和@josilber在Jake Burkhead发表的最快方法帖子中的评论的启发。
下面使用各种方法来计算随机游走。为了实现这一点,每个函数从以下
fnc
定义的1000个值中提取1或-1。时间测试使用
microbenchmark
对每种方法进行1000次复制。
fnc <- function(n) sample(c(1L, -1L), n, replace=TRUE)
library(microbenchmark)
microbenchmark(all=cumsum(fnc(1000L)),
reduce=Reduce("+", fnc(1000L), accumulate=TRUE),
laplyRpCln=cumsum(unlist(lapply(rep.int(1L, 1000L), fnc))),
laplyRpAn=cumsum(unlist(lapply(rep.int(1L, 1000L), function(x) fnc(1L)))),
laplySqAn=cumsum(unlist(lapply(seq_len(1000L), function(x) fnc(1L)))),
saplyRpCln=cumsum(sapply(rep.int(1L, 1000L), fnc)),
saplyRpAn=cumsum(sapply(rep.int(1L, 1000L), function(x) fnc(1L))),
saplySqAn=cumsum(sapply(seq_len(1000L), function(x) fnc(1L))),
vaplyRpCln=cumsum(vapply(rep.int(1L, 1000L), fnc, FUN.VALUE=0)),
vaplyRpAn=cumsum(vapply(rep.int(1L, 1000L), function(x) fnc(1L), FUN.VALUE=0)),
vaplySqAn=cumsum(vapply(seq_len(1000L), function(x) fnc(1L), FUN.VALUE=0)),
replicate=cumsum(replicate(1000L, fnc(1L))),
forPre={vals <- numeric(1000L); for(i in seq_along(vals)) vals[i] <- fnc(1L); cumsum(vals)},
forNoPre={vals <- numeric(0L); for(i in seq_len(1000L)) vals <- c(vals, fnc(1L)); cumsum(vals)},
times=1000)
在这里,
- "all" 使用了Jake Burkhead的建议,使用
cumsum
一次性推出样本。
- "reduce" 一次性推出样本,但使用
Reduce
执行求和。
- laplyRpCln 使用
lapply
和unlist
返回一个向量,并迭代1000个1的实例,通过名称直接调用函数。
- laplyRpAn 不同之处在于使用匿名函数。
- laplySqAn 使用匿名函数并使用
seq
而不是rep
创建迭代变量。
- saplyRpCln、laplyRpAn、laplySqAn与laplyRpCln等相同,只是调用
sapply
而不是lapply
/unlist
。
- vaplyRpCln等与laplyRpCln等相同,只是在
lapply
/unlist
的位置使用vapply
。
- replicate 是对
replicate
的调用,默认为simplify=TRUE。
- forPre 使用预分配向量的
for
循环进行填充。
- forNoPre 使用
for
循环创建一个空的numeric(0)
向量,然后使用c
将其连接起来。
这将返回
Unit: microseconds
expr min lq mean median uq max neval cld
all 25.634 31.0705 85.66495 33.6890 35.3400 49240.30 1000 a
reduce 542.073 646.7720 780.13592 696.4775 750.2025 51685.44 1000 b
laplyRpCln 4349.384 5026.4015 6433.60754 5409.2485 7209.3405 58494.44 1000 c e
laplyRpAn 4600.200 5281.6190 6513.58733 5682.0570 7488.0865 55239.04 1000 c e
laplySqAn 4616.986 5251.4685 6514.09770 5634.9065 7488.1560 54263.04 1000 c e
saplyRpCln 4362.324 5080.3970 6325.66531 5506.5330 7294.6225 59075.02 1000 cd
saplyRpAn 4701.140 5386.1350 6781.95655 5786.6905 7587.8525 55429.02 1000 e
saplySqAn 4651.682 5342.5390 6551.35939 5735.0610 7525.4725 55148.32 1000 c e
vaplyRpCln 4366.322 5046.0625 6270.66501 5482.8565 7208.0680 63756.83 1000 c
vaplyRpAn 4657.256 5347.2190 6724.35226 5818.5225 7580.3695 64513.37 1000 de
vaplySqAn 4623.897 5325.6230 6475.97938 5769.8130 7541.3895 14614.67 1000 c e
replicate 4722.540 5395.1420 6653.90306 5777.3045 7638.8085 59376.89 1000 c e
forPre 5911.107 6823.3040 8172.41411 7226.7820 9038.9550 56119.11 1000 f
forNoPre 8431.855 10584.6535 11401.64190 10910.0480 11267.5605 58566.27 1000 g
注意,第一种方法明显是最快的。其次是一次性获取全部样本,然后使用
Reduce
执行求和。在
*apply
函数中,“干净”的版本,直接使用函数名称似乎有微小的性能提升,而
lapply
版本似乎与
vapply
相当,但考虑到值的范围,这个结论并不完全简单明了。
sapply
似乎是最慢的,尽管函数调用的方法支配着
*apply
函数的类型。
两个for
循环表现最差,预分配for
循环优于随c
增长的for
循环。
在这里,我正在运行一个补丁版本的3.4.1(大约是2017年8月23日左右打的补丁),运行在openSuse 42.1上。
如果您发现任何错误,请告诉我,我会尽快修复。感谢Ben Bolker促使我更深入地研究最终的函数,我在那里发现了一些错误。