目录
- 0.问题导入
- 1.for循环函数
- 2.while循环函数
- 3.foreach函数(不并行)
- 4.foreach函数（并行）
- 5.apply函数
- 6.刺激的，来来来，我们用不同大小的矩阵来竞竞速
- 7.总结
- 8.本篇所用的R-packages（没有的需要用install.packages()进行安装）
- 9.致谢
- 10.号外！TheWhoOPs平台与全国地研联公众号实现线上战略合作
0.问题导入
前边我们有讲到R语言中的逻辑判断，可以说这是R语言数据处理中的一个开关，来控制电脑完成一系列操作。而我们会在数据处理过程中遇到将同一种操作/处理方法（如某一指标的计算）在不同的数据上（如不同气象站点的观测序列）进行实现。为了实现这一需求，我们则需要循环遍历来实现。那么，今天我们就来说说R语言中循环遍历，以及其与并行的那些事。
不过，今天我们来点刺激的，以给不同大小矩阵逐行求均值为例来给以下几个函数竞个速！
1. for循环函数
1.1 for函数基本结构
其中a，b分别为i循环的上界与下界，中括号中为需要循环遍历的操作。
for(i in a:b){
action
}
1.2 for循环求矩阵逐行均值算法
其中mean_by_for 类似于一个空箱子，需要在for循环期间不停地装新计算出来的结果temp。c() 函数用于拼接老的向量mean_by_for 与新向量temp.
mean_by_for = 1
for(i in 1:nrow(mat)){
temp = mean(mat[i,])
mean_by_for = c(mean_by_for,temp)
}
mean_by_for = mean_by_for[-1]
2. while循环函数
2.1 while 函数结构
- i = 1为 i 的初始值。
- i <= b 为while 循环的循环条件，是不是布尔条件呢？嘿嘿
- action 为循环的操作
- i = i + 1 为while循环的更新算子
i = 1
while(i <= b){
action
i = i +1
}
2.2 while循环求矩阵逐行均值算法
mean_by_while = 1
while(i <= nrow(mat)){
temp = mean(mat[i,])
mean_by_while = c(mean_by_while,temp)
i = i+1
}
mean_by_while = mean_by_while[-1]
3. foreach函数(不并行)
后面会有一期专门讲foreach 函数的自定义用法，今天拿过来竞速，重点结构在于讲R语言中循环与遍历的基础算法while 与for哈～
mean_by_foreachdo <- foreach(i = 1:nrow(mat),.combine = c) %do% mean(mat[i,])
4. foreach函数（并行）
cl <- makeCluster(2)
registerDoParallel(cl)
mean_by_dopar <- foreach(i = 1:nrow(mat),
.combine = c) %dopar% mean(mat[i,])
stopCluster(cl)
5. apply函数
5.1 apply 函数结构
apply 函数我们在上一期（蓝字传送门：点我复习上期）中有用到过，我们来讲下他的结构与用法。
其中，
- m为矩阵。对，apply函数是专门为矩阵定制的计算方法，matrix only～
- 1 or 2， 1表明在矩阵m中逐行执行function操作； 2表明在矩阵m中逐列执行function 操作。
- function，自定义的各种骚操作，it is！
apply(m, 1(或者2), function)
5.2 apply 函数求矩阵逐行均值算法
mean_by_apply = apply(mat,1,mean)
6. 刺激的，来来来，我们用不同大小的矩阵来竞竞速
6.1 设置赛道（矩阵的大小）
mat1 = round(runif(1000,-100,100))
mat1 = matrix(mat1,nrow = 50)
mat2 = round(runif(10000,-100,100))
mat2 = matrix(mat2,nrow = 500)
mat3 = round(runif(500000,-100,100))
mat3 = matrix(mat3,nrow = 500)
mat4 = round(runif(1000000,-100,100))
mat4 = matrix(mat4,nrow = 5000)
mat5 = round(runif(10000000,-100,100))
mat5 = matrix(mat5,nrow = 50000)
6.2 竞速开始
关注公众号【TheWhoOPs】，后台回复“竞速”获取竞速函数race()
time1 = race(mat1)
time2 = race(mat2)
time3 = race(mat3)
time4 = race(mat4)
time5 = race(mat5)
6.3 竞速结果分析
可视化代码
type = c('for','while','foreachdo','foreachdopar','apply')
size = c(length(mat1),
length(mat2),
length(mat3),
length(mat4),
length(mat5))
time = round(c(time1,time2,time3,time4,time5)*1000,3)
df = data.frame(
type = rep(type,5),
size = rep(1:5,each = 5),
time = time
)
df$type = factor(df$type, levels = type)
df$size = factor(df$size,labels = as.character(size))
p = ggplot()+
geom_line(data =df, aes(x = size, y = time/1000,color = type))+
scale_x_continuous(labels = as.character(size))+
xlab("Size")+
ylab('Time (s)')+
theme_bw()
png('plot_race1.png',
height =15,
width = 15,
units = 'cm',
res = 800)
print(p)
dev.off()
图1 多种函数竞赛结果
由图1 可以看到，在样本大小在数据长度小于500000个的时候，各种算法无比较显著的区别，因为几乎都很小，我们可以接受，感官上基本上都是 chua 的一下就好了。但当长度大于500000个的时候，foreach(do)与foreach(dopar)函数的计算时间就开始与大家出现比较明显的差别。这时，apply, for 与while计算时间还是没有明显差距。而当长度大于1000000时，for与while就显著大于了apply的运行时间，目测是apply运算时间的100倍。
综上，在面向矩阵做循环与遍历某项操作（单变量输入，多变量有时无法使用apply，可能需要自定义函数）的时候，apply函数完胜！
7. 总结
本篇主要讲了以下内容：
- R语言中的for与while循环与遍历结构（重点掌握）
- R语言中的apply函数（重点掌握）
- 以逐行计算矩阵均值为例，比较了R语言中不同遍历方法面向矩阵的运行效率，分析了不同数据大小时各个函数的表现，总体apply函数全胜！
8. 本篇所用的R-packages（没有的需要用install.packages()进行安装）
library(doParallel)
library(foreach)
library(ggplot2)
9. 致谢
首先，感谢大家的持续关注，小编会继续努力，持续更新下去的！
大家如果觉得有帮助啊，还麻烦大家关注点赞，也可以扩散到朋友圈，多多引导朋友加入咱们这个技术平台, 代码共享推动科研进程, 多谢大家啦～
大家如果在使用本代码的过程有遇到问题的，可以留言评论，也可以私信我哈~~
祝大家身体健康，多多保重！！
Jersey 小编联系方式
10. 号外！TheWhoOPs平台与全国地研联公众号实现线上战略合作
这是与全国地研联联合推出的第五篇R语言技术推文-基础篇。
从2020年2月10日起，TheWhoOPs技术公众号将与全国地理学研究生联合会公众号（简称地研联）公众号实现全面线上合作。
合作内容主要包括为周一，三的R语言数据数据分析及可视化文章的线上共享发布及每周日的b站技术直播讲解（点击进入直播间）。
如果大家觉得有帮助还劳烦多多帮忙宣传下哈！！
网友评论