计算不带for循环/应用的三维数组的行和_R

计算不带for循环/应用的三维数组的行和
计算不带for循环/应用的三维数组的行和,r,R,取数组b_数组： set.seed(123) a_mtx = matrix(1:15,ncol=5) b_mtx = matrix(seq(1,5,length.out=30),ncol=5) b_array = array( b_mtx, dim = c( nrow(b_mtx), ncol(b_mtx), nrow(a_mtx) ) ) 如果我想计算b_数组的每个“切片”或“工作表”
取数组
b_数组：
set.seed(123)
a_mtx = matrix(1:15,ncol=5)
b_mtx = matrix(seq(1,5,length.out=30),ncol=5)

b_array = 
  array(
    b_mtx,
    dim = 
      c(
        nrow(b_mtx),
        ncol(b_mtx), 
        nrow(a_mtx)
      )
    )

如果我想计算b_数组
的每个“切片”或“工作表”的每一列的总和，我可以使用colSums
及其维度参数：
colSums(b_array, dim = 1)
#          [,1]      [,2]      [,3]
#[1,]  8.068966  8.068966  8.068966
#[2,] 13.034483 13.034483 13.034483
#[3,] 18.000000 18.000000 18.000000
#[4,] 22.965517 22.965517 22.965517
#[5,] 27.931034 27.931034 27.931034

要对行和执行相同的操作，我不能使用行和
的维度参数，因为它的处理方式不同，因此我求助于应用
：
apply(b_array, 3, rowSums)
#         [,1]     [,2]     [,3]
#[1,] 13.27586 13.27586 13.27586
#[2,] 13.96552 13.96552 13.96552
#[3,] 14.65517 14.65517 14.65517
#[4,] 15.34483 15.34483 15.34483
#[5,] 16.03448 16.03448 16.03448
#[6,] 16.72414 16.72414 16.72414

我希望在维度更大的数组上执行相同的计算，因此apply
和其他for-loop方法都是无效的
有没有其他真正矢量化的方法？
关于边距=
（第二个）参数应用的默认想法（我相信）是，它意味着“减少的轴”（在聚合时……在这里简化以获得效果）。然而，另一种看待它的方式是，所有其他维度都保持不变
例如，colSums（ary）
的有效等价物是apply（ary，2，sum）
，意思是“保持轴1不减少”。（colSums
实际上是在内部完成的，而不是使用apply
）因此，为了扩展“除外的所有轴”逻辑，让我们为您的b_数组
实现您希望保留第一和第三个轴，这样做
apply(b_array, c(1,3), sum)
#          [,1]     [,2]     [,3]
# [1,] 13.27586 13.27586 13.27586
# [2,] 13.96552 13.96552 13.96552
# [3,] 14.65517 14.65517 14.65517
# [4,] 15.34483 15.34483 15.34483
# [5,] 16.03448 16.03448 16.03448
# [6,] 16.72414 16.72414 16.72414

它的效率与（我认为）使用n维数组进行“列”求和的效率差不多
编辑：
@markus使用aperm
的速度更快，适用于各种矩阵大小，尽管它似乎收敛于更大的矩阵
ns <- c(10,50,100,1000)
set.seed(123)
arrays <- lapply(ns, function(n) array(runif(3*n*n), dim=c(n,n,3)))

mapply(identical,
       lapply(arrays, function(a) t(colSums(aperm(a, perm = c(2, 3, 1))))),
       lapply(arrays, function(a) apply(a, c(1,3), sum)))
# [1] TRUE TRUE TRUE TRUE

library(microbenchmark)
microbenchmark(
  aperm10 = t(colSums(aperm(arrays[[1]], perm = c(2, 3, 1)))),
  aperm50 = t(colSums(aperm(arrays[[2]], perm = c(2, 3, 1)))),
  aperm100 = t(colSums(aperm(arrays[[3]], perm = c(2, 3, 1)))),
  aperm1000 = t(colSums(aperm(arrays[[4]], perm = c(2, 3, 1)))),
  apply10 = apply(arrays[[1]], c(1,3), sum),
  apply50 = apply(arrays[[2]], c(1,3), sum),
  apply100 = apply(arrays[[3]], c(1,3), sum),
  apply1000 = apply(arrays[[4]], c(1,3), sum),
  times=10
)
# Unit: microseconds
#       expr     min      lq     mean   median      uq     max neval
#    aperm10    19.1    25.5    46.74    39.55    59.2   105.8    10
#    aperm50    55.7    77.2    96.36    94.30   115.6   149.8    10
#   aperm100   231.2   247.2   267.14   258.35   295.5   301.8    10
#  aperm1000 47282.5 47568.4 49235.19 49581.85 50118.4 52034.4    10
#    apply10    53.7    59.1    78.42    63.15   105.6   123.5    10
#    apply50   263.9   282.3   318.08   306.60   366.4   383.0    10
#   apply100   637.7   686.6   712.65   710.75   741.5   799.7    10
#  apply1000 40173.7 52735.7 52170.08 54349.65 55692.9 57375.9    10

ns使用aperm的另一个选项
t(colSums(aperm(b_array, perm = c(2, 3, 1))))
#         [,1]     [,2]     [,3]
#[1,] 13.27586 13.27586 13.27586
#[2,] 13.96552 13.96552 13.96552
#[3,] 14.65517 14.65517 14.65517
#[4,] 15.34483 15.34483 15.34483
#[5,] 16.03448 16.03448 16.03448
#[6,] 16.72414 16.72414 16.72414

有趣。明天我将测试它，看看它是否能够在不崩溃的情况下处理更大的矩阵。aperm
创建了一个数组副本，我相信，在一个大数据集上，这将是非常好的。看起来这种方法在计算时间和内存使用方面更优越aperm
使用的内存减少了8.38倍，完成速度快了近30倍。您用来证明aperm
更快的数据集有多大？您在实际的基准测试中使用了什么？如果矩阵的大小不同——或者如果它真的和问题中的样本数据一样小——那么基准测试是不必要的，而且可能会产生误导。