Loop in R - È necessario utilizzare l'indice, ad ogni modo per evitare 'per'?

Question

So che non è la prassi migliore in R utilizzare il ciclo for perché non ha prestazioni migliorate. Per quasi tutti i casi esiste una funzione della famiglia *apply che risolve i nostri problemi.

Tuttavia, sto affrontando una situazione in cui non vedo una soluzione alternativa.

ho bisogno di calcolare la variazione percentuale per i valori consecutivi:

pv[1] <- 0 
for(i in 2:length(x)) { 
    pv[i] <- (x[i] - x[i-1])/x[i-1] 
} 

Quindi, come potete vedere, devo usare sia l'elemento x[i], ma anche l'elemento x[i-1]. Usando le funzioni *apply, vedo solo come utilizzare x[i]. Posso comunque evitare i loop for?

Answer 1

Cosa avete offerto sarebbe la variazione frazionale, ma se moltiplicato per 100 si ottiene la "variazione percentuale":

pv<- vector("numeric",length(x)) 
pv[1] <- 0 
pv[-1] <- 100* (x[-1] - x[-length(x)])/ x[-length(x)] 

soluzione Vettorializzare. (E dovresti notare che i cicli for-down saranno tanto lenti quanto * applicare soluzioni ... semplicemente non così belli. Cerca sempre un approccio vettorizzato.)

Per spiegare un po 'di più: Il x[-length(x)] è il vector, , e il è il vettore x[2:length(x)] e le operazioni vettoriali in R eseguono le stesse operazioni del corpo del ciclo for, sebbene non utilizzino un ciclo esplicito. R prima costruisce le differenze in quei vettori spostati, , e quindi divide per x[1:(length{x-1)].

Answer 2

È possibile ottenere gli stessi risultati con:

pv <- c(0) 
y <- sapply(2:length(x), function(i) {pv <<- (x[i] - x[i-1])/x[i-1]}) 
c(0, y) 

Il ciclo per i problemi che una volta erano un problema sono stati ottimizzati. Spesso un ciclo for non è più lento e potrebbe persino essere più veloce della soluzione apply. Devi testarli entrambi e vedere. Scommetto che il tuo ciclo for è più veloce della mia soluzione.

MODIFICA: solo per illustrare la soluzione loop vs. apply e ciò che DWin discute sulla vettorizzazione, ho eseguito il benchmarking sulle quattro soluzioni utilizzando microbenchmark su una macchina win 7.

Unit: microseconds 
      expr  min  lq median  uq  max 
1 DIFF_Vincent 22.396 25.195 27.061 29.860 2073.848 
2  FOR.LOOP 132.037 137.168 139.968 144.634 56696.989 
3   SAPPLY 146.033 152.099 155.365 162.363 2321.590 
4 VECTORIZED_Dwin 18.196 20.063 21.463 23.328 536.075 

Answer 3

È inoltre possibile utilizzare diff:

c(0, diff(x)/x[-length(x)]) 
c(0, exp(diff(log(x))) - 1)