[英]How to make a loop run faster in R?
我想使用arms()
每次獲取一個樣本,並在函數中進行如下循環。 它運行非常緩慢。 我怎樣才能使其運行更快? 謝謝。
library(HI)
dmat <- matrix(0, nrow=100,ncol=30)
system.time(
for (d in 1:100){
for (j in 1:30){
y <- rep(0, 101)
for (i in 2:100){
y[i] <- arms(0.3, function(x) (3.5+0.000001*d*j*y[i-1])*log(x)-x,
function(x) (x>1e-4)*(x<20), 1)
}
dmat[d, j] <- sum(y)
}
}
)
這是基於湯米答案的版本,但避免了所有循環:
library(multicore) # or library(parallel) in 2.14.x
set.seed(42)
m = 100
n = 30
system.time({
arms.C <- getNativeSymbolInfo("arms")$address
bounds <- 0.3 + convex.bounds(0.3, dir = 1, function(x) (x>1e-4)*(x<20))
if (diff(bounds) < 1e-07) stop("pointless!")
# create the vector of z values
zval <- 0.00001 * rep(seq.int(n), m) * rep(seq.int(m), each = n)
# apply the inner function to each grid point and return the matrix
dmat <- matrix(unlist(mclapply(zval, function(z)
sum(unlist(lapply(seq.int(100), function(i)
.Call(arms.C, bounds, function(x) (3.5 + z * i) * log(x) - x,
0.3, 1L, parent.frame())
)))
)), m, byrow=TRUE)
})
在多核計算機上,這將非常快,因為它將負載分散到各個核中。 在單核計算機上(或針對Windows用戶),您可以用mclapply
替換上面的lapply
並且與Tommy的答案相比,只會稍微提高一點速度。 但是請注意,並行版本的結果將有所不同,因為它將使用不同的RNG序列。
請注意,任何需要評估R函數的C代碼本質上都會很慢(因為解釋后的代碼很慢)。 我添加了arms.C
只是為了消除所有R-> C開銷,以使moli開心;),但這沒有任何區別。
您可以通過使用以列為主的處理方式來壓縮幾毫秒(問題代碼是以行為主的,由於R矩陣始終以列為主,因此需要重新復制)。
編輯:自湯米回答以來,我注意到莫利稍微改變了問題-因此,由於y[i]
是依賴的,因此您必須使用循環,而不是sum(...)
部分,因此function(z)
看起來像
function(z) { y <- 0
for (i in seq.int(99))
y <- y + .Call(arms.C, bounds, function(x) (3.5 + z * y) * log(x) - x,
0.3, 1L, parent.frame())
y }
嗯,一種有效的方法是擺脫arms
內部的開銷。 即使您的結果始終相同,它indFunc
一些檢查並每次都調用indFunc
。 也可以在循環外進行其他一些評估。 這些優化使我的機器上的時間從54秒減少到6.3秒左右。 ...答案是相同的。
set.seed(42)
#dmat2 <- ##RUN ORIGINAL CODE HERE##
# Now try this:
set.seed(42)
dmat <- matrix(0, nrow=100,ncol=30)
system.time({
e <- new.env()
bounds <- 0.3 + convex.bounds(0.3, dir = 1, function(x) (x>1e-4)*(x<20))
f <- function(x) (3.5+z*i)*log(x)-x
if (diff(bounds) < 1e-07) stop("pointless!")
for (d in seq_len(nrow(dmat))) {
for (j in seq_len(ncol(dmat))) {
y <- 0
z <- 0.00001*d*j
for (i in 1:100) {
y <- y + .Call("arms", bounds, f, 0.3, 1L, e)
}
dmat[d, j] <- y
}
}
})
all.equal(dmat, dmat2) # TRUE
為什么不這樣呢?
dat <- expand.grid(d=1:10, j=1:3, i=1:10)
arms.func <- function(vec) {
require(HI)
dji <- vec[1]*vec[2]*vec[3]
arms.out <- arms(0.3,
function(x,params) (3.5 + 0.00001*params)*log(x) - x,
function(x,params) (x>1e-4)*(x<20),
n.sample=1,
params=dji)
return(arms.out)
}
dat$arms <- apply(dat,1,arms.func)
library(plyr)
out <- ddply(dat,.(d,j),summarise, arms=sum(arms))
matrix(out$arms,nrow=length(unique(out$d)),ncol=length(unique(out$j)))
但是,它仍然是單核且耗時的。 但這不是R慢,而是其手臂功能。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.