向量化R循環以獲得更好的性能

Question

我在找到一個向量化時遇到了問題 R中的特定循環表示我的目標是提高循環的性能，因爲它必須在循環中運行數千次算法。

我想找到每個行由向量'Level'定義的特定數組部分中最低值的位置。

實施例：

Level = c(2,3) 

讓陣列X的第一行是：c(2, -1, 3, 0.5, 4)。

在行（即(2, -1)）的範圍1:Level[1]中搜索最低值的位置，我得到一個2，因爲-1 < 2和-1位於該行的第二個位置。然後，搜索第二個範圍(Level[1]+1):(Level[1]+Level[2])（即(3, 0.5, 4)）中最低值的位置，我得到一個4，因爲0.5和0.5站在該行的第四個位置。我不得不在數組中的每一行執行此操作。

我對這個問題的解決方案的工作原理如下：

Level = c(2,3,3) #elements per section, here: 3 sections with 2,3 and 3 levels 
rows = 10 #number of rows in array X 
X = matrix(runif(rows*sum(Level),-5,5),rows,sum(Level)) #array with 10 rows and sum(Level) columns, here: 8 
Position_min = matrix(0,rows,length(Level)) #array in which the position of minimum values for each section and row are stored 
for(i in 1:rows){ 
for(j in 1:length(Level)){   #length(Level) is number of intervals, here: 3 
    if(j == 1){coeff=0}else{coeff=1} 
    Position_min[i,j] = coeff*sum(Level[1:(j-1)]) + which(X[i,(coeff*sum(Level[1:(j-1)])+1):sum(Level[1:j])] == min(X[i,(coeff*sum(Level[1:(j-1)])+1):sum(Level[1:j])])) 
    } 
} 

它工作正常，但我寧願一個解決方案具有更好的性能。有任何想法嗎？

Answer 1

這將消除環路的外部級：

Level1=c(0,cumsum(Level)) 
for(j in 1:(length(Level1)-1)){ 
    Position_min[,j]=max.col(-X[,(Level1[j]+1):Level1[j+1]])+(Level1[j]) 
} 

Answer 2

這裏是一個「完全量化」的解決方案，沒有明確的循環：

findmins <- function(x, level) { 
    series <- rep(1:length(Level), Level) 
    x <- split(x, factor(series)) 
    minsSplit <- as.numeric(sapply(x, which.min)) 
    minsSplit + c(0, cumsum(level[-length(level)])) 
} 

Position_min_vectorized <- t(apply(X, 1, findmins, Level)) 
identical(Position_min, Position_min_vectorized) 
## [1] TRUE 

您可以通過你的矩陣獲得更好的性能列入清單，然後使用parallel的mclapply()：

X_list <- split(X, factor(1:nrow(X))) 
do.call(rbind, parallel::mclapply(X_list, findmins, Level)) 
## [,1] [,2] [,3] 
## 1  1 5 6 
## 2  2 3 6 
## 3  1 4 7 
## 4  1 5 6 
## 5  2 5 7 
## 6  2 4 6 
## 7  1 5 8 
## 8  1 5 8 
## 9  1 3 8 
## 10 1 3 8