优化此for循环过程以避免程序崩溃

我正在努力尝试在R中执行一个操作而不使其崩溃。我给你举一个可复制的例子。我有X：

X <- data.frame(V1 = c("chr1", "chr1", "chr1", "chr1", "chr1"),
                Start = c(0, 1001, 3002, 4059, 6581),
                Stop = c(1000, 3001, 4058, 6580, 7002),
                A = c(10, 4, 5, 6, 9),
                B = c(923, 39, 5, 9, 93),
                C = c(239, 2, 13, 4, 5))

---

X循环速度很慢，因为每次执行一行时都会覆盖整个A、B和C向量。i、 e.您正在为每行写入超过6.000.000个值（2.000.000次）

我在这里使用dplyr：

library(dplyr)

X <- X %>%
 mutate(A = (A/Stop - Start*(Stop-Start)),
        B = (B/Stop - Start*(Stop-Start)),
        C = (C/Stop - Start*(Stop-Start)) )

库（dplyr）
X%
变异（A=（A/停止-开始*（停止-开始）），
B=（B/停止-启动*（停止-启动）），
C=（C/停止-启动*（停止-启动）））

我强烈建议不要覆盖当前的ABC值

library(dplyr)

X <- X %>%
 mutate(TRANSFORMED_A = (A/Stop - Start*(Stop-Start)),
        TRANSFORMED_B = (B/Stop - Start*(Stop-Start)),
        TRANSFORMED_C = (C/Stop - Start*(Stop-Start)) )

库（dplyr）
X%
突变（转换的_A=（A/Stop-Start*（Stop-Start）），
转换的_B=（B/停止-开始*（停止-开始）），
转换的_C=（C/Stop-Start*（Stop-Start）））
< /代码> 如果您不打算在每次迭代中用更新的值覆盖整个列，那么您也可能需要考虑这些解决方案。data.table可以很好地处理大型数据集

library(data.table)      # loads library
setDT(X)                 # converts data.frame to data.table
cols = c("A", "B", "C")  # defines the columns to update
avg.diff = X[, mean(Stop - Start)]   # caclulates average difference between Stop and Start
X[, (cols) := lapply(.SD, function(x) {avg.diff * x / (Stop - Start)}), .SDcols = cols]  # makes calculations

或者相同，但更容易理解：

X[, `:=`(
  A = avg.diff * A / (Stop - Start),
  B = avg.diff * B / (Stop - Start),
  C = avg.diff * C / (Stop - Start)
)]

请根据您的需要随意调整这些解决方案。
尝试并行执行，并解释为什么您的电脑会崩溃？内存不足？所有代码都可以矢量化。1） 
mean（X$Stop-X$Start）
不依赖于循环变量，只计算一次。2） 
X$A或2b）
X$A@abrod不清楚代码应该做什么，但直觉上我认为Rui的结果实际上是正确的，而你的结果是错误的，因为你不断用更新的值覆盖整个列，这不太可能有意义，除非你想计算累积统计。这是正确的方法，但我不确定你的方程在数学上是否等同于OP。要得到他的原始结果，他需要用“nrow（X）”替换“1:nrow（X）”
X[, `:=`(
  A = avg.diff * A / (Stop - Start),
  B = avg.diff * B / (Stop - Start),
  C = avg.diff * C / (Stop - Start)
)]