如何直接生成矩陣到具有函數的數組中？

Question

我有一個公式可以創建矩陣。後來，每集中的一個矩陣我都要做一些耗時的事情。到目前爲止，我將這些矩陣綁定到一個列表中，其中lapply()。現在，我假設用一組矩陣運算會快得多。事情是，我不知道如何讓這些matrrices生成一個數組，如lapply()。

我給你這個例子：

# matrix generating function 
mxSim <- function(X, n) { 
    mx = matrix(NA, nrow = n, ncol = 3, 
       dimnames = list(NULL, c("d", "alpha", "beta"))) 
    mx[,1] = rbinom(n, 1, .375) 
    mx[,2] = rnorm(n, 0, 2) 
    mx[,3] = .42 * rnorm(n, 0, 6) 
    return(mx) 
} 

# bundle matrices together 
mx.lst <- lapply(1:1e1, mxSim, n = 1e4) 

# some stuff to be done after, like e. g.: 
lapply(mx.lst, function(m) lm(d ~ alpha + beta, as.data.frame(m))) 

任何人可以給我一些建議如何與一個數組做到這一點？

我一直在尋找到this答案，但它的矩陣必須已經生成了，我只能再次上市前他們幫助我。

Answer 1

足夠與hooha。讓時間吧。

library(microbenchmark) 
# matrix generating function 
mxSim <- function(X, n) { 
    mx = matrix(NA, nrow = n, ncol = 3, 
       dimnames = list(NULL, c("d", "alpha", "beta"))) 
    mx[,1] = rbinom(n, 1, .375) 
    mx[,2] = rnorm(n, 0, 2) 
    mx[,3] = .42 * rnorm(n, 0, 6) 
    return(mx) 
} 

# bundle matrices together 
mx.lst <- lapply(1:1e1, mxSim, n = 1e4) 

mx.array <- array(mx.lst,dim=c(2,5)) 
# some stuff to be done after, like e. g.: 

#Timing... 
some.fnc<-function(m)lm(d ~ alpha + beta, as.data.frame(m)) 

list.test<-microbenchmark(lapply(mx.lst, some.fnc)) 

array.test<-microbenchmark(apply(mx.array, MARGIN=c(1,2), some.fnc)) 
expr  min  lq  mean median  uq  max neval 
lapply: 74.8953 101.9424 173.8733 146.7186 234.7577 397.2494 100 
apply: 77.2362 101.0338 174.4178 137.153 264.6854 418.7297 100 

天真施加在一個列表的功能，而不是一個陣列在實際性能幾乎相同。

Answer 2

爲了完整起見，我只是其中n = 1E3做了一些其他基準，如@ SeldomSeenSlim的回答的註釋說明。另外我用data.frames()的名單做了這個，這有點令人驚訝。

這裏是data.frames的功能，對於矩陣函數見上文。

dfSim <- function(X, n) { 
    d <- rbinom(n, 1, .375) 
    alpha <- rnorm(n, 0, 2) 
    beta <- .42 * rnorm(n, 0, 6) 
    data.frame(d, alpha, beta) 
} 

Bundeling

mx.lst <- lapply(1:1e3, mxSim, n = 1e4) 
mx.array <- array(mx.lst, dim = c(2, 500)) 
df.lst <- lapply(1:1e3, dfSim, n = 1e4) 

而且微基準：

some.fnc <- function(m) lm(d ~ alpha + beta, as.data.frame(m)) 
list.test <- microbenchmark(lapply(mx.lst, some.fnc)) 
array.test <- microbenchmark(apply(mx.array, MARGIN = c(1, 2), some.fnc)) 
df.list.test <- microbenchmark(lapply(df.lst, some.fnc)) 

結果

Unit: seconds 
expr   min  lq  mean median  uq  max neval 
lapply  9.658568 9.742613 9.831577 9.784711 9.911466 10.30035 100 
apply  9.727057 9.951213 9.994986 10.00614 10.06847 10.22178 100 
lapply(df) 9.121293 9.229912 9.286592 9.277967 9.327829 10.12548 100 

現在，是什麼我們講這個？

不過，沒關係，是一個大膽的旁註：

microbenchmark((lapply(1:1e3, mxSim, n = 1e4)), (lapply(1:1e3, dfSim, n = 1e4))) 
      expr  min  lq  mean median  uq  max neval cld 
(lapply(mxSim)) 2.533466 2.551199 2.563864 2.555421 2.559234 2.693383 100 a 
(lapply(dfSim)) 2.676869 2.695826 2.718454 2.701161 2.706249 3.293431 100 b