我必须逐步将回归函数应用于时间序列数据(向量“时间”和“tm”,我使用For循环如下:
top<-length(time)
for(k in 2:top){
lin.regr<-lm(tm[1:k] ~ log(time[1:k]))
slope[k]<-coef(lin.regr)[2]
}
但是对于载体长度约为10k,它变得非常慢 . 是否有更快的替代方案(可能使用应用功能)?
在一个更容易的问题:如果我有一个像x <-c(1:10)这样的向量,我如何构建一个包含(例如)x值的渐进和的y向量?喜欢:
x
1 2 3 4 5 6 7 8 9 10
y
1 3 6 10 15 21 28 36 45 55
2 回答
〜应用函数族是在R中迭代的最快方法 .
也可以看一下使用lm.fit()来加快你的注册速度
是如何做第二个问题
好吧,没有快速循环替代,除非你可以矢量化 . 在某些情况下,像
ave, aggregate, ddply, tapply, ...
这样的函数可以给你一个实质性的胜利,但通常的诀窍在于使用更快的函数,比如cumsum(cfr . 用户615147的答案)为了显示 :
唯一更快的解决方案是
lm.fit()
. 不要误会,每次运行分析时,时序都会有所不同,因此在R中,0.02的差异并不显着.sapply, for
和lapply
在这里完全一样快 . 诀窍是使用lm.fit
.如果您有一个名为Data的数据框,您可以使用以下内容:
作为更一般的解决方案 .