首页 文章

用于循环操作的循环替代方案

提问于
浏览 次
2

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
r time-series apply progressive

2 回答

  • 3
    results <- sapply(2:top,function (k) coef(lm(tm[1:k] ~ log(time[1:k])))[2])

    〜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

    cumsum(1:10)

    是如何做第二个问题

    回复于
  • -1

    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 ：

    top <- 1000
tm <- rnorm(top,10)   
time <- rnorm(top,10)

> system.time(
+ results <- sapply(2:top,function (k) coef(lm(tm[1:k] ~ log(time[1:k])))[2])
+ )
   user  system elapsed 
   4.26    0.00    4.27 

> system.time(
+ results <- lapply(2:top,function (k) coef(lm(tm[1:k] ~ log(time[1:k])))[2])
+ )
   user  system elapsed 
   4.25    0.00    4.25 

> system.time(
+ results <- for(k in 2:top) coef(lm(tm[1:k] ~ log(time[1:k])))[2]
+ )
   user  system elapsed 
   4.25    0.00    4.25 

> system.time(
+ results <- for(k in 2:top) lm.fit(matrix(log(time[1:k]),ncol=1),
+                                 tm[1:k])$coefficients[2]
+ )
   user  system elapsed 
   0.43    0.00    0.42

    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：

    Data <- data.frame(Y=rnorm(top),X1=rnorm(top),X2=rnorm(top))

mf <- model.matrix(Y~X1+X2,data=Data)
results <- sapply(2:top, function(k)
  lm.fit(mf[1:k,],Data$Y[1:k])$coefficients[2]
)

    作为更一般的解决方案 .

    回复于

相关问题