※ 引述《celestialgod (天)》之銘言：
: 1. Vectorize用的mapply，其實還是迴圈，而且表現更糟
: 2. rt沒有辦法直接執行原PO想要的那種方式，你可以自己用Rcpp刻一個
: 3. 花時間查資料，有時候不如看文件或是source code來的有效
: Vectorize直接看應該不難找到重點
: rt可以直接看文件
: 會看到df degrees of freedom (> 0, maybe non-integer). df = Inf is allowed.
: 這裡很明顯告訴你他不能用vector of degrees of freedom....
: 下面我比較一下幾種做法：
: n <- 20
: theta <- seq(0, 1, len=100) + 0.001 # add small value to avoid warning
: for_loop_rt <- function(n, theta) {
: stopifnot(length(n) == 1, abs(n - floor(n)) < 1e-8)
: X <- matrix(NA, n, length(theta))
: for (i in seq_along(theta))
: X[ , i] <- rt(n, theta[i])
: return(X)
: }
: library(compiler)
: for_loop_rt_compiled <- cmpfun(for_loop_rt)
: rt_vectorized <- Vectorize(rt)
: library(microbenchmark)
: microbenchmark(
: sapply = sapply(theta, function(t) rt(20, 1/t)),
: vectorized = rt_vectorized(rep(n, length(theta)), theta, ncp = rep(0,
: length(theta))),
: for_loop = for_loop_rt(n, theta),
: for_loop_cmpfun = for_loop_rt_compiled(n, theta)
: )
: # Unit: microseconds
: # expr min lq mean median uq max neval
: # sapply 556.8 576.10 597.278 584.30 594.25 1639.1 100
: # vectorized 898.6 923.45 1041.179 936.45 961.45 2637.4 100
: # for_loop 546.4 557.00 649.992 564.85 571.65 5844.1 100
: # for_loop_cmpfun 541.9 558.65 679.358 566.45 573.85 2290.1 100
: 這結果，很諷刺地告訴你用Vectorize只是讓事情更糟而已XDDDDDD
: 然後反而用for loop最快.... 這件事情其實我有在板上談過....
: matrix操作 R真的很快.... 試著相信R一下^.<
: ※ 引述《locka (locka)》之銘言：
: : 感謝 celestialgod 版主大大提點:
: : 以前以為 *apply 家族的函數就已經是向量化(vectorized)的寫法了
: : 查了資料才發現其實底層背後還是有 for 迴圈 (覺得震撼啊...)
: : 試試看這樣的寫法
: : theta <- seq(0,1,len=100)
: : df <- rep(19,len=100)
: : n <- rep(20,len=100)
: : vrt <- Vectorize(rt)
: : x <- vrt(n=n, df=df, ncp=1/theta)
: : 於是 x[,1] ... x[,100] 就是100個 n 等於20 然後對應各自 delta 值的 t 分配樣本了
: : (但是不知道 df, n 的預先定義有沒有意義?)
: : 請版上各位高手再指點~ 謝謝大家
: : ======
: : 補充：
: : 但還是有查到 *apply function 的好處:
: : 1. 程式易讀性
: : 2. 會 pre-allocate 向量的記憶體空間
: : 2. 只影響區域變數不會改變全域變數
: : ref: https://www.r-bloggers.com/vectorization-in-r-why/
感謝大家回答
其實最後我選擇用第一篇貼文的lapply來做
我的敘述不太好
我並不是不想用迴圈
只是不想寫for 迴圈
對於我很晚回復這件事我也感到抱歉
畢竟大家都好熱烈的討論
果然R版真的是藏龍臥虎XDD