如何加快R循环的速度？

Question

我正在为R中的gwr.basic包中的GWmodel函数运行下面的for循环，我需要做的是收集任何给定带宽的估计参数的平均值。

代码看起来像：

library(GWmodel)
data("DubVoter")
#Dub.voter


LARentMean = list()
for (i in 20:21)
{
gwr.res <- gwr.basic(GenEl2004 ~ DiffAdd + LARent + SC1 + Unempl + LowEduc + Age18_24 + Age25_44 + Age45_64, data = Dub.voter, bw = i,  kernel = "bisquare", adaptive = TRUE, F123.test = TRUE)
a <- mean(gwr.res$SDF$LARent)
LARentMean[i] <- a
}
outcome = unlist(LARentMean)

> outcome
[1] -0.1117668 -0.1099969

然而，返回结果的速度非常慢。我需要一个更宽的范围，如20:200。有没有办法加快这一进程？如果不是，如何有一个步骤范围--比如说20到200步--5步来减少操作的数量？

我是一个刚接触R的python用户，所以我读到了R，因为R在for循环中速度慢，并且有更有效的替代方案。在这一点上更加明确是值得欢迎的。

Answer 1

我有着和@musically_ut一样的印象。for循环和传统的for-vs.apply辩论在这里不太可能对您有所帮助。如果你有一个以上的核心，试着去并行化。有几个包，如parallel或snowfall。哪个包最终是最好的，最快的取决于您的机器和操作系统。

在这里，最好的东西并不总是最快的。一种跨平台工作的代码，它比额外的性能更有价值。此外，透明度和易用性可以超过最大速度。尽管如此，我非常喜欢标准解决方案，并建议使用parallel，它随R一起发布，并在Windows、OSX和Linux上工作。

编辑:下面是使用OP示例的完全可复制的示例。

library(GWmodel)
data("DubVoter")

library(parallel)

bwlist <- list(bw1 = 20, bw2 = 21)


cl <- makeCluster(detectCores())

# load 'GWmodel' for each node
clusterEvalQ(cl, library(GWmodel))

# export data to each node
clusterExport(cl, varlist = c("bwlist","Dub.voter"))

out <- parLapply(cl, bwlist, function(e){
 try(gwr.basic(GenEl2004 ~ DiffAdd + LARent + SC1 +
 Unempl + LowEduc + Age18_24 + Age25_44 +
 Age45_64, data = Dub.voter,
 bw = e,  kernel = "bisquare",
 adaptive = TRUE, F123.test = TRUE  ))

} )


LArent_l <- lapply(lapply(out,"[[","SDF"),"[[","LARent")
unlist(lapply(LArent_l,"mean"))

# finally, stop the cluster
stopCluster(cl)

Answer 2

除了使用Matt建议的并行化之外，还应该预先分配向量LARentMean。通常，慢的并不是for循环本身，而是for诱使您做一些缓慢的事情，比如创建增长的向量。

考虑下面的示例，可以看到与预先分配内存相比，正在增长的向量的影响：

library(microbenchmark)

growing <- function(x) {
  mylist <- list()
  for (i in 1:x) {
    mylist[[i]] <- i
  }
}

allocate <- function(x) {
  mylist <- vector(mode = "list", length = x)
  for (i in 1:x) {
    mylist[[i]] <- i
  }
}

microbenchmark(growing(1000), allocate(1000), times = 1000)
# Unit: microseconds
#          expr      min       lq      mean   median       uq       max neval
# growing(1000) 3055.134 4284.202 4743.4874 4433.024 4655.616 47977.236  1000
# allocate(1000)  867.703  917.738  998.0719  956.441  995.143  2564.192  1000

增长列表比分配内存的版本慢5倍。