在子集数据集上计算时如何避免R中的for循环
我在R中有以下数据集（它有3700000行）： 我希望使用以下规则计算另一个包含31列的变量： 就在第一排在子集数据集上计算时如何避免R中的for循环,r,R,我在R中有以下数据集（它有3700000行）： 我希望使用以下规则计算另一个包含31列的变量： 就在第一排 chk = ceiling(Bday_3) = 4 temp_vector = "HD_3" "HD_4" "HD_5" "HD_6" (it is 4 HDs after the starting number) Cday_3 = Bday_3 + sum(temp_vector) 我已经为它编写了如下的for循环。它正在发挥作用；但对于如此大的数据量，执行大约需要24个多小时。有没
chk = ceiling(Bday_3) = 4
temp_vector = "HD_3" "HD_4" "HD_5" "HD_6" (it is 4 HDs after the starting number)
Cday_3 = Bday_3 + sum(temp_vector)
for (k in 1: nrow(FBF_SLA)){
for (i in 1:31){
days_check = ceiling(FBF_SLA[k,c(BDays_SLA[i])])
temp_vector = paste(rep("HD",days_check),c(i : (i + days_check - 1)),sep = "_")
FBF_SLA[k,c(CDays_SLA[i])] = FBF_SLA[k,c(BDays_SLA[i])] + unname(rowSums(FBF_SLA[k,c(temp_vector)]))
}
}
这是一个棘手的问题！正如您所发现的，这里的主要挑战是性能。R是一种优秀的语言，但它最大的缺点可能是它很容易编写慢代码，有时很难编写快代码 R中性能优化的基本规则是将操作向量化。您的双循环对每个输出单元执行一次计算，这非常昂贵，可以通过将计算重写为将3700000行输入列作为向量操作数来改进 然而，在你的具体问题上有一个相对不寻常的挑战。必须为您的
CdayHD.*HD.*HD.*HD.*1NChdcumshdcums1NR上限（Bday_*）pmin（NC+1L，…）HD.*+1LBday.*hdcumshdcums为了解决这个问题，我为
Bday.*HD.*rlnorm（）Bday.*Bday.*sdlogBday.*Bday.\u 31Bday.*HD.*set.seed(2);
NC <- 6L;
NR <- 10L;
df <- as.data.frame(matrix(c(round(rlnorm(NR*NC,rep(0.5+seq_len(NC)*0.1,each=NR),0.3),2),sample(0:1,NR*NC,replace=T)),NR,dimnames=list(NULL,c(paste0('Bday_',seq_len(NC)),paste0('HD_',seq_len(NC))))));
df;
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6
## 1 1.39 2.28 4.17 3.07 2.42 2.34 0 0 0 0 1 1
## 2 1.93 2.70 1.55 2.71 1.51 5.58 0 1 0 0 1 0
## 3 2.93 1.79 3.59 3.40 2.11 2.54 1 0 1 1 0 0
## 4 1.30 1.47 4.00 2.26 4.81 4.40 1 1 0 0 1 1
## 5 1.78 3.44 2.23 1.95 3.28 2.19 0 0 0 1 0 0
## 6 1.90 1.01 1.07 2.06 4.94 1.67 1 1 1 0 1 1
## 7 2.25 2.62 2.57 1.47 2.48 2.73 1 1 1 1 0 0
## 8 1.70 2.04 1.86 1.88 2.65 3.98 0 1 0 0 1 0
## 9 3.30 2.73 2.82 2.08 2.57 4.23 1 0 0 0 0 1
## 10 1.75 2.29 2.43 2.28 1.90 4.96 0 0 0 0 1 1
hdcums <- cbind(0,t(apply(df[grep('^HD_',names(df))],1,cumsum)));
hdcums;
## HD_1 HD_2 HD_3 HD_4 HD_5 HD_6
## [1,] 0 0 0 0 0 1 2
## [2,] 0 0 1 1 1 2 2
## [3,] 0 1 1 2 3 3 3
## [4,] 0 1 2 2 2 3 4
## [5,] 0 0 0 0 1 1 1
## [6,] 0 1 2 3 3 4 5
## [7,] 0 1 2 3 4 4 4
## [8,] 0 0 1 1 1 2 2
## [9,] 0 1 1 1 1 1 2
## [10,] 0 0 0 0 0 1 2
df[,paste0('Cday_',seq_len(NC))] <- lapply(seq_len(NC),function(col) df[[col]] + hdcums[matrix(c(seq_len(NR),pmin(NC+1L,col+ceiling(df[[col]]))),NR,2L)] - hdcums[,col]);
df;
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 Cday_1 Cday_2 Cday_3 Cday_4 Cday_5 Cday_6
## 1 1.39 2.28 4.17 3.07 2.42 2.34 0 0 0 0 1 1 1.39 2.28 6.17 5.07 4.42 3.34
## 2 1.93 2.70 1.55 2.71 1.51 5.58 0 1 0 0 1 0 2.93 3.70 1.55 3.71 2.51 5.58
## 3 2.93 1.79 3.59 3.40 2.11 2.54 1 0 1 1 0 0 4.93 2.79 5.59 4.40 2.11 2.54
## 4 1.30 1.47 4.00 2.26 4.81 4.40 1 1 0 0 1 1 3.30 2.47 6.00 4.26 6.81 5.40
## 5 1.78 3.44 2.23 1.95 3.28 2.19 0 0 0 1 0 0 1.78 4.44 3.23 2.95 3.28 2.19
## 6 1.90 1.01 1.07 2.06 4.94 1.67 1 1 1 0 1 1 3.90 3.01 2.07 4.06 6.94 2.67
## 7 2.25 2.62 2.57 1.47 2.48 2.73 1 1 1 1 0 0 5.25 5.62 4.57 2.47 2.48 2.73
## 8 1.70 2.04 1.86 1.88 2.65 3.98 0 1 0 0 1 0 2.70 3.04 1.86 2.88 3.65 3.98
## 9 3.30 2.73 2.82 2.08 2.57 4.23 1 0 0 0 0 1 4.30 2.73 2.82 3.08 3.57 5.23
## 10 1.75 2.29 2.43 2.28 1.90 4.96 0 0 0 0 1 1 1.75 2.29 3.43 4.28 3.90 5.96
我还研究了基于C++的解决方案，看看是否可以通过在C++中执行整个计算来进一步提高性能。事实证明，我们可以。下面的演示继续从上述的全尺寸性能测试中复制，将<代码> df>代码>代码< df2>代码>减去输出列，然后使用C++实现函数，我在代码< > ADDBADHDL（）/<代码>上重新计算输出列。然后，我使用来验证
df2dflibrary(Rcpp);
cppFunction('
NumericMatrix addBdayHDs(DataFrame df) {
int NC = df.length()/2;
NumericVector hdcums(NC+1);
NumericMatrix Cday(df.nrows(),NC);
for (int row = df.nrows()-1; row >= 0; --row) {
hdcums[1] = as<NumericVector>(df(NC))[row];
for (int col = 1; col < NC; ++col)
hdcums[col+1] = hdcums[col]+as<NumericVector>(df(NC+col))[row];
for (int col = NC-1; col >= 0; --col) {
Cday(row,col) = as<NumericVector>(df(col))[row];
Cday(row,col) += hdcums[std::min(NC,col+(int)std::ceil(Cday(row,col)))] - hdcums[col];
}
}
return Cday;
}
');
df2 <- df[seq_len(NC*2L)];
system.time({ df2[,paste0('Cday_',seq_len(NC))] <- addBdayHDs(df2); });
## user system elapsed
## 30.688 1.547 32.310
all.equal(df,df2);
## [1] TRUE
库（Rcpp）；
CPP函数（'
数字矩阵addBdayHDs（数据帧df）{
int NC=df.length（）/2；
数字矢量hdcums（NC+1）；
数值矩阵Cday（df.nrows（），NC）；
对于（int row=df.nrows（）-1；row>=0；--row）{
hdcums[1]=as（df（NC））[row]；
用于（整数列=1；列=0；--col）{
Cday（行，列）=as（df（列））[row]；
Cday（row，col）+=hdcums[std:：min（NC，col+（int）std:：ceil（Cday（row，col）））]-hdcums[col]；
}
}
返回Cday；
}
');
这是一个棘手的问题！正如您所发现的，这里的主要挑战是性能。R是一种优秀的语言，但它最大的缺点可能是它很容易编写慢代码，有时很难编写快代码
R中性能优化的基本规则是将操作向量化。您的双循环对每个输出单元执行一次计算，这非常昂贵，可以通过将计算重写为将3700000行输入列作为向量操作数来改进
在你的具体问题上有一个相对不寻常的挑战
set.seed(2);
NC <- 31L;
NR <- 3.7e6L;
system.time({ df <- as.data.frame(matrix(c(round(rlnorm(NR*NC,rep(0.5+seq_len(NC)*0.1,each=NR),0.3),2),sample(0:1,NR*NC,replace=T)),NR,dimnames=list(NULL,c(paste0('Bday_',seq_len(NC)),paste0('HD_',seq_len(NC)))))); });
## user system elapsed
## 29.937 2.906 32.853
head(df); tail(df);
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 Bday_7 Bday_8 Bday_9 Bday_10 Bday_11 Bday_12 Bday_13 Bday_14 Bday_15 Bday_16 Bday_17 Bday_18 Bday_19 Bday_20 Bday_21 Bday_22 Bday_23 Bday_24 Bday_25 Bday_26 Bday_27 Bday_28 Bday_29 Bday_30 Bday_31 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31
## 1 1.39 1.64 1.45 2.29 2.62 3.26 2.34 3.91 2.65 6.41 5.73 3.92 5.11 10.65 5.51 8.10 7.41 8.07 9.56 11.83 9.05 8.81 16.54 23.12 26.23 31.42 26.89 19.91 31.12 38.50 47.66 0 1 1 1 0 1 0 0 0 1 1 1 1 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 0
## 2 1.93 3.26 2.45 1.92 4.06 2.01 2.27 6.61 6.55 5.42 5.76 5.71 3.65 6.55 6.52 10.95 7.20 11.13 7.16 17.41 16.56 16.35 20.21 14.15 19.80 12.96 12.05 15.69 40.81 29.15 48.28 0 1 1 1 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 0 0 1 0 1 0 1 1 1 1 1
## 3 2.93 1.77 2.38 2.22 3.29 3.93 3.16 2.36 5.92 2.51 3.98 5.41 7.65 8.40 6.91 11.61 10.77 17.68 11.76 10.51 10.07 9.65 14.99 17.15 18.05 16.85 21.61 46.14 33.15 43.76 40.10 1 0 1 0 1 1 0 1 0 1 0 0 1 0 1 0 0 1 1 0 0 1 1 1 1 1 0 0 0 0 1
## 4 1.30 2.33 2.28 2.26 2.14 4.53 2.43 8.69 2.47 2.22 4.95 6.17 5.59 4.61 8.52 10.94 8.59 15.78 10.07 15.32 10.36 23.15 10.73 20.32 18.99 24.20 19.67 23.73 17.06 28.68 22.02 0 1 0 0 1 0 1 0 1 1 1 1 0 1 0 1 0 1 0 1 1 0 0 1 0 0 1 0 0 0 0
## 5 1.78 2.01 2.62 3.41 3.99 4.59 4.40 2.04 5.61 2.61 4.62 11.14 3.82 3.98 6.19 10.00 11.32 12.49 11.20 10.57 30.62 10.36 18.64 26.65 13.70 25.38 47.55 48.51 22.14 65.28 31.64 0 0 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 1 1 0 1 1 0 0 0 1 0 1 1 1 1
## 6 1.90 2.10 1.32 2.55 3.17 3.66 5.37 4.61 4.05 3.15 5.14 6.32 7.09 5.21 8.47 8.49 3.59 6.44 7.73 11.83 12.47 18.67 10.56 18.36 13.59 36.21 13.16 26.77 30.47 39.61 45.86 0 0 0 1 1 1 0 1 0 1 0 1 1 1 1 1 0 0 0 0 1 1 1 1 1 0 1 1 0 0 1
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 Bday_7 Bday_8 Bday_9 Bday_10 Bday_11 Bday_12 Bday_13 Bday_14 Bday_15 Bday_16 Bday_17 Bday_18 Bday_19 Bday_20 Bday_21 Bday_22 Bday_23 Bday_24 Bday_25 Bday_26 Bday_27 Bday_28 Bday_29 Bday_30 Bday_31 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31
## 3699995 2.02 1.39 1.61 3.57 2.33 4.29 3.75 2.34 2.22 3.71 4.65 4.87 7.42 6.64 7.45 4.88 9.43 9.38 8.78 9.19 16.88 12.26 11.94 13.79 22.19 26.93 30.02 22.12 57.83 33.74 45.20 0 1 1 1 0 1 0 1 1 0 0 1 0 0 0 1 0 1 0 1 0 1 0 1 0 1 0 0 0 1 0
## 3699996 2.44 2.35 2.52 2.88 2.63 2.30 4.33 2.88 4.67 3.87 3.76 5.94 7.09 4.94 6.10 9.11 11.67 10.41 18.27 11.97 12.27 13.84 19.16 15.52 15.90 37.48 21.96 19.86 30.20 23.79 56.55 0 0 0 1 0 1 0 1 1 0 0 0 1 0 1 1 1 0 1 1 1 1 0 1 1 1 1 0 0 0 1
## 3699997 3.48 2.19 2.27 2.67 1.41 4.02 2.02 3.14 5.40 2.30 7.51 4.96 4.06 8.74 6.45 11.91 8.70 7.13 14.66 8.99 13.88 12.94 23.77 16.46 16.18 22.91 25.20 24.44 35.57 52.91 47.57 0 1 0 0 1 0 0 0 0 0 0 1 0 1 1 1 0 1 0 1 1 1 0 0 1 1 1 1 1 0 1
## 3699998 2.68 1.63 1.55 1.62 3.02 3.00 2.92 3.10 3.59 4.78 5.99 5.50 5.75 12.67 9.35 7.57 9.35 7.43 5.41 9.15 10.92 21.05 12.65 25.29 21.00 18.63 15.57 30.96 32.45 18.39 37.04 0 1 1 0 1 1 0 1 0 0 0 1 1 1 1 0 1 1 1 1 1 0 1 0 0 0 1 1 0 1 1
## 3699999 1.62 2.17 2.95 1.63 5.78 3.49 3.52 4.59 6.45 4.79 7.41 3.93 6.91 10.42 8.75 8.46 5.48 8.64 10.62 22.62 14.13 13.12 10.19 21.40 26.65 31.67 31.14 26.52 21.06 61.38 37.07 1 0 1 0 1 1 1 0 0 1 0 1 0 1 1 0 1 0 0 1 1 1 0 1 1 0 0 0 1 0 1
## 3700000 2.00 2.54 1.45 2.94 2.56 3.49 3.40 2.52 4.23 4.71 11.82 8.48 5.34 6.82 10.67 16.26 9.16 10.27 15.61 10.46 24.70 18.43 17.41 15.70 13.10 24.01 19.12 25.59 32.41 32.45 32.74 1 0 1 1 0 1 1 0 1 0 1 1 0 0 1 1 0 0 1 1 0 1 1 1 0 1 1 0 1 1 0
system.time({ hdcums <- cbind(0,t(apply(df[grep('^HD_',names(df))],1,cumsum))); });
## user system elapsed
## 67.640 2.063 69.720
head(hdcums); tail(hdcums);
## HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31
## [1,] 0 0 1 2 3 3 4 4 4 4 5 6 7 8 9 9 10 11 12 13 14 14 15 16 16 17 18 19 20 21 22 22
## [2,] 0 0 1 2 3 3 4 5 6 7 8 8 8 8 8 8 9 10 11 12 12 12 12 13 13 14 14 15 16 17 18 19
## [3,] 0 1 1 2 2 3 4 4 5 5 6 6 6 7 7 8 8 8 9 10 10 10 11 12 13 14 15 15 15 15 15 16
## [4,] 0 0 1 1 1 2 2 3 3 4 5 6 7 7 8 8 9 9 10 10 11 12 12 12 13 13 13 14 14 14 14 14
## [5,] 0 0 0 1 1 1 2 3 3 3 3 3 4 4 5 5 6 6 7 8 8 9 10 10 10 10 11 11 12 13 14 15
## [6,] 0 0 0 0 1 2 3 3 4 4 5 5 6 7 8 9 10 10 10 10 10 11 12 13 14 15 15 16 17 17 17 18
## HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31
## [3699995,] 0 0 1 2 3 3 4 4 5 6 6 6 7 7 7 7 8 8 9 9 10 10 11 11 12 12 13 13 13 13 14 14
## [3699996,] 0 0 0 0 1 1 2 2 3 4 4 4 4 5 5 6 7 8 8 9 10 11 12 12 13 14 15 16 16 16 16 17
## [3699997,] 0 0 1 1 1 2 2 2 2 2 2 2 3 3 4 5 6 6 7 7 8 9 10 10 10 11 12 13 14 15 15 16
## [3699998,] 0 0 1 2 2 3 4 4 5 5 5 5 6 7 8 9 9 10 11 12 13 14 14 15 15 15 15 16 17 17 18 19
## [3699999,] 0 1 1 2 2 3 4 5 5 5 6 6 7 7 8 9 9 10 10 10 11 12 13 13 14 15 15 15 15 16 16 17
## [3700000,] 0 1 1 2 3 3 4 5 5 6 6 7 8 8 8 9 10 10 10 11 12 12 13 14 15 15 16 17 17 18 19 19
system.time({ df[,paste0('Cday_',seq_len(NC))] <- lapply(seq_len(NC),function(col) df[[col]] + hdcums[matrix(c(seq_len(NR),pmin(NC+1L,col+ceiling(df[[col]]))),NR,2L)] - hdcums[,col]); });
## user system elapsed
## 11.750 1.266 13.031
head(df); tail(df);
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 Bday_7 Bday_8 Bday_9 Bday_10 Bday_11 Bday_12 Bday_13 Bday_14 Bday_15 Bday_16 Bday_17 Bday_18 Bday_19 Bday_20 Bday_21 Bday_22 Bday_23 Bday_24 Bday_25 Bday_26 Bday_27 Bday_28 Bday_29 Bday_30 Bday_31 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31 Cday_1 Cday_2 Cday_3 Cday_4 Cday_5 Cday_6 Cday_7 Cday_8 Cday_9 Cday_10 Cday_11 Cday_12 Cday_13 Cday_14 Cday_15 Cday_16 Cday_17 Cday_18 Cday_19 Cday_20 Cday_21 Cday_22 Cday_23 Cday_24 Cday_25 Cday_26 Cday_27 Cday_28 Cday_29 Cday_30 Cday_31
## 1 1.39 1.64 1.45 2.29 2.62 3.26 2.34 3.91 2.65 6.41 5.73 3.92 5.11 10.65 5.51 8.10 7.41 8.07 9.56 11.83 9.05 8.81 16.54 23.12 26.23 31.42 26.89 19.91 31.12 38.50 47.66 0 1 1 1 0 1 0 0 0 1 1 1 1 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 1 1 0 2.39 3.64 3.45 4.29 3.62 4.26 2.34 5.91 4.65 12.41 10.73 6.92 10.11 18.65 10.51 15.10 13.41 15.07 17.56 20.83 17.05 16.81 23.54 29.12 32.23 36.42 30.89 22.91 33.12 39.50 47.66
## 2 1.93 3.26 2.45 1.92 4.06 2.01 2.27 6.61 6.55 5.42 5.76 5.71 3.65 6.55 6.52 10.95 7.20 11.13 7.16 17.41 16.56 16.35 20.21 14.15 19.80 12.96 12.05 15.69 40.81 29.15 48.28 0 1 1 1 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 0 0 1 0 1 0 1 1 1 1 1 2.93 6.26 4.45 2.92 8.06 5.01 5.27 9.61 8.55 6.42 6.76 7.71 4.65 10.55 10.52 16.95 11.20 18.13 10.16 24.41 23.56 23.35 27.21 20.15 25.80 17.96 17.05 19.69 43.81 31.15 49.28
## 3 2.93 1.77 2.38 2.22 3.29 3.93 3.16 2.36 5.92 2.51 3.98 5.41 7.65 8.40 6.91 11.61 10.77 17.68 11.76 10.51 10.07 9.65 14.99 17.15 18.05 16.85 21.61 46.14 33.15 43.76 40.10 1 0 1 0 1 1 0 1 0 1 0 0 1 0 1 0 0 1 1 0 0 1 1 1 1 1 0 0 0 0 1 4.93 2.77 4.38 4.22 6.29 5.93 5.16 4.36 7.92 3.51 4.98 7.41 11.65 12.40 9.91 18.61 17.77 25.68 17.76 15.51 16.07 15.65 19.99 21.15 21.05 18.85 22.61 47.14 34.15 44.76 41.10
## 4 1.30 2.33 2.28 2.26 2.14 4.53 2.43 8.69 2.47 2.22 4.95 6.17 5.59 4.61 8.52 10.94 8.59 15.78 10.07 15.32 10.36 23.15 10.73 20.32 18.99 24.20 19.67 23.73 17.06 28.68 22.02 0 1 0 0 1 0 1 0 1 1 1 1 0 1 0 1 0 1 0 1 1 0 0 1 0 0 1 0 0 0 0 2.30 3.33 3.28 3.26 4.14 7.53 4.43 14.69 5.47 5.22 7.95 10.17 8.59 7.61 12.52 15.94 12.59 20.78 14.07 19.32 13.36 25.15 12.73 22.32 19.99 25.20 20.67 23.73 17.06 28.68 22.02
## 5 1.78 2.01 2.62 3.41 3.99 4.59 4.40 2.04 5.61 2.61 4.62 11.14 3.82 3.98 6.19 10.00 11.32 12.49 11.20 10.57 30.62 10.36 18.64 26.65 13.70 25.38 47.55 48.51 22.14 65.28 31.64 0 0 1 0 0 1 1 0 0 0 0 1 0 1 0 1 0 1 1 0 1 1 0 0 0 1 0 1 1 1 1 1.78 3.01 3.62 5.41 5.99 6.59 5.40 2.04 7.61 3.61 6.62 18.14 5.82 5.98 10.19 15.00 17.32 20.49 18.20 16.57 37.62 16.36 23.64 31.65 18.70 30.38 51.55 52.51 25.14 67.28 32.64
## 6 1.90 2.10 1.32 2.55 3.17 3.66 5.37 4.61 4.05 3.15 5.14 6.32 7.09 5.21 8.47 8.49 3.59 6.44 7.73 11.83 12.47 18.67 10.56 18.36 13.59 36.21 13.16 26.77 30.47 39.61 45.86 0 0 0 1 1 1 0 1 0 1 0 1 1 1 1 1 0 0 0 0 1 1 1 1 1 0 1 1 0 0 1 1.90 3.10 2.32 5.55 6.17 5.66 8.37 7.61 7.05 6.15 10.14 11.32 11.09 8.21 13.47 13.49 3.59 10.44 12.73 19.83 20.47 25.67 16.56 23.36 17.59 39.21 16.16 28.77 31.47 40.61 46.86
## Bday_1 Bday_2 Bday_3 Bday_4 Bday_5 Bday_6 Bday_7 Bday_8 Bday_9 Bday_10 Bday_11 Bday_12 Bday_13 Bday_14 Bday_15 Bday_16 Bday_17 Bday_18 Bday_19 Bday_20 Bday_21 Bday_22 Bday_23 Bday_24 Bday_25 Bday_26 Bday_27 Bday_28 Bday_29 Bday_30 Bday_31 HD_1 HD_2 HD_3 HD_4 HD_5 HD_6 HD_7 HD_8 HD_9 HD_10 HD_11 HD_12 HD_13 HD_14 HD_15 HD_16 HD_17 HD_18 HD_19 HD_20 HD_21 HD_22 HD_23 HD_24 HD_25 HD_26 HD_27 HD_28 HD_29 HD_30 HD_31 Cday_1 Cday_2 Cday_3 Cday_4 Cday_5 Cday_6 Cday_7 Cday_8 Cday_9 Cday_10 Cday_11 Cday_12 Cday_13 Cday_14 Cday_15 Cday_16 Cday_17 Cday_18 Cday_19 Cday_20 Cday_21 Cday_22 Cday_23 Cday_24 Cday_25 Cday_26 Cday_27 Cday_28 Cday_29 Cday_30 Cday_31
## 3699995 2.02 1.39 1.61 3.57 2.33 4.29 3.75 2.34 2.22 3.71 4.65 4.87 7.42 6.64 7.45 4.88 9.43 9.38 8.78 9.19 16.88 12.26 11.94 13.79 22.19 26.93 30.02 22.12 57.83 33.74 45.20 0 1 1 1 0 1 0 1 1 0 0 1 0 0 0 1 0 1 0 1 0 1 0 1 0 1 0 0 0 1 0 4.02 3.39 3.61 5.57 3.33 7.29 5.75 4.34 3.22 4.71 5.65 6.87 10.42 9.64 11.45 7.88 14.43 14.38 12.78 13.19 20.88 16.26 14.94 16.79 24.19 28.93 31.02 23.12 58.83 34.74 45.20
## 3699996 2.44 2.35 2.52 2.88 2.63 2.30 4.33 2.88 4.67 3.87 3.76 5.94 7.09 4.94 6.10 9.11 11.67 10.41 18.27 11.97 12.27 13.84 19.16 15.52 15.90 37.48 21.96 19.86 30.20 23.79 56.55 0 0 0 1 0 1 0 1 1 0 0 0 1 0 1 1 1 0 1 1 1 1 0 1 1 1 1 0 0 0 1 2.44 3.35 3.52 4.88 3.63 4.30 6.33 4.88 6.67 4.87 4.76 9.94 13.09 7.94 12.10 17.11 20.67 18.41 27.27 19.97 19.27 19.84 24.16 20.52 19.90 40.48 23.96 20.86 31.20 24.79 57.55
## 3699997 3.48 2.19 2.27 2.67 1.41 4.02 2.02 3.14 5.40 2.30 7.51 4.96 4.06 8.74 6.45 11.91 8.70 7.13 14.66 8.99 13.88 12.94 23.77 16.46 16.18 22.91 25.20 24.44 35.57 52.91 47.57 0 1 0 0 1 0 0 0 0 0 0 1 0 1 1 1 0 1 0 1 1 1 0 0 1 1 1 1 1 0 1 4.48 3.19 3.27 3.67 2.41 4.02 2.02 3.14 7.40 3.30 12.51 8.96 7.06 15.74 11.45 19.91 13.70 12.13 23.66 15.99 21.88 19.94 29.77 22.46 22.18 27.91 29.20 27.44 37.57 53.91 48.57
## 3699998 2.68 1.63 1.55 1.62 3.02 3.00 2.92 3.10 3.59 4.78 5.99 5.50 5.75 12.67 9.35 7.57 9.35 7.43 5.41 9.15 10.92 21.05 12.65 25.29 21.00 18.63 15.57 30.96 32.45 18.39 37.04 0 1 1 0 1 1 0 1 0 0 0 1 1 1 1 0 1 1 1 1 1 0 1 0 0 0 1 1 0 1 1 4.68 3.63 2.55 2.62 6.02 5.00 3.92 4.10 4.59 7.78 9.99 10.50 10.75 20.67 16.35 13.57 15.35 12.43 9.41 14.15 16.92 26.05 17.65 29.29 25.00 22.63 19.57 33.96 34.45 20.39 38.04
## 3699999 1.62 2.17 2.95 1.63 5.78 3.49 3.52 4.59 6.45 4.79 7.41 3.93 6.91 10.42 8.75 8.46 5.48 8.64 10.62 22.62 14.13 13.12 10.19 21.40 26.65 31.67 31.14 26.52 21.06 61.38 37.07 1 0 1 0 1 1 1 0 0 1 0 1 0 1 1 0 1 0 0 1 1 1 0 1 1 0 0 0 1 0 1 2.62 3.17 4.95 2.63 9.78 5.49 5.52 6.59 10.45 7.79 11.41 6.93 9.91 17.42 13.75 13.46 9.48 13.64 16.62 29.62 20.13 18.12 14.19 25.40 29.65 33.67 33.14 28.52 23.06 62.38 38.07
## 3700000 2.00 2.54 1.45 2.94 2.56 3.49 3.40 2.52 4.23 4.71 11.82 8.48 5.34 6.82 10.67 16.26 9.16 10.27 15.61 10.46 24.70 18.43 17.41 15.70 13.10 24.01 19.12 25.59 32.41 32.45 32.74 1 0 1 1 0 1 1 0 1 0 1 1 0 0 1 1 0 0 1 1 0 1 1 1 0 1 1 0 1 1 0 3.00 4.54 3.45 4.94 4.56 6.49 5.40 3.52 7.23 6.71 18.82 13.48 7.34 10.82 17.67 26.26 15.16 17.27 24.61 18.46 31.70 25.43 23.41 20.70 17.10 28.01 22.12 27.59 34.41 33.45 32.74
library(Rcpp);
cppFunction('
NumericMatrix addBdayHDs(DataFrame df) {
int NC = df.length()/2;
NumericVector hdcums(NC+1);
NumericMatrix Cday(df.nrows(),NC);
for (int row = df.nrows()-1; row >= 0; --row) {
hdcums[1] = as<NumericVector>(df(NC))[row];
for (int col = 1; col < NC; ++col)
hdcums[col+1] = hdcums[col]+as<NumericVector>(df(NC+col))[row];
for (int col = NC-1; col >= 0; --col) {
Cday(row,col) = as<NumericVector>(df(col))[row];
Cday(row,col) += hdcums[std::min(NC,col+(int)std::ceil(Cday(row,col)))] - hdcums[col];
}
}
return Cday;
}
');
df2 <- df[seq_len(NC*2L)];
system.time({ df2[,paste0('Cday_',seq_len(NC))] <- addBdayHDs(df2); });
## user system elapsed
## 30.688 1.547 32.310
all.equal(df,df2);
## [1] TRUE