Performance 通过交错向量加速矩阵的组装？

我有两个任意长度相等的向量

a <- c(0.8,0.8,0.8) 
b <- c(0.4,0.4,0.4)
n <- length(a)

我目前使用

x <- matrix(rep(as.vector(rbind(
                          c(1-a,a), 
                          c(b, 1-b))),
                n),
            ncol=n*2, byrow=TRUE)

---

我通过以下方式获得了一个小的加速：

f = function(a, b, n){
  z = rbind(
    c(rbind(1 - a, b)),
    c(rbind(a, 1 - b))
  )

  do.call(rbind, lapply(1:n, function(i) z))
}

我会继续找的

---

编辑我被难住了。如果这还不够好，我建议内联一些rcpp。

我不认为有什么办法可以替代

matrix

成为您的配置文件中最慢的部分，但通过优化其余部分，您肯定可以节省一点时间。例如：

x <- matrix(rbind(c(1-a,a), c(b, 1-b)), 2*n, 2*n, byrow=TRUE)

---

我们是否可以假定

a

的所有元素彼此相等，而

b

的所有元素彼此相等？不，

a

和

b

的元素并不总是相等的。谢谢你的澄清。应该是

n

。修正。我还可以假设您实际上关心更大矩阵的性能，或者

n==3

对您来说是一个重要的用例吗？一般来说，元素的数量很小（

n

为2-20），但操作重复了很多次。在我的机器上，这几乎是OP版本的两倍。奇怪。在我的机器上，

system.time（replicate（100000，f（a，b，n）））

需要2秒，

system.time（replicate（100000，g（a，b，n））

需要3.5秒，其中g是诺姆写的。不过，你的时间不到一秒。很好的优化。请注意，您不能在CRAN上托管的包中使用

.Internal

。看到了吧。这就是我说我不会推荐它的部分原因。我最担心的是，R开发人员可以自由地对这些内部构件进行更改，这可能会导致这些代码在将来被破坏。我只是想直截了当通过使用

编译器：：cmpfun（）

编译函数，我获得了一些额外的速度。不如使用。内部，但更好。

f = function(a, b, n){
  z = rbind(
    c(rbind(1 - a, b)),
    c(rbind(a, 1 - b))
  )

  do.call(rbind, lapply(1:n, function(i) z))
}

x <- matrix(rbind(c(1-a,a), c(b, 1-b)), 2*n, 2*n, byrow=TRUE)

x <- .Internal(matrix(rbind(c(1-a,a), c(b, 1-b)),
                      n*2, n*2, TRUE, NULL, FALSE, FALSE))

benchmark(
   method0 = matrix(rep(as.vector(rbind(c(1-a,a), c(b, 1-b))), n),
                    ncol=n*2, byrow=TRUE),
   method1 = matrix(rbind(c(1-a,a), c(b, 1-b)), 2*n, 2*n, byrow=TRUE),
   method2 = .Internal(matrix(rbind(c(1-a,a), c(b, 1-b)),
                              n*2, n*2, TRUE, NULL, FALSE, FALSE)),
   replications = 100000,
   order = "relative")

#      test replications elapsed relative user.self sys.self user.child sys.child
# 3 method2       100000    1.00     1.00      0.99        0         NA        NA
# 2 method1       100000    1.13     1.13      1.12        0         NA        NA
# 1 method0       100000    1.46     1.46      1.46        0         NA        NA