R代码：有没有办法让蒙特卡罗模拟更快？

想象一下，我递给你一个印有“-1”的乒乓球。然后我告诉你们从一个标有“第一个袋子”的袋子里再抽一个乒乓球。这个袋子里有30000个球，有些标有“-1”，有些标有“0”，有些标有“+1”。无论你抽到哪个球，你都要把它的号码加到你当前的“分数”中-1。例如，如果你的分数是-1，你的新分数是-2

只要你的新分数低于零，你就可以从第一个袋子中再次抽签，并再次添加到你的分数中。但是，如果你的分数达到零或更高，你就从第二个袋子里抽签，这个袋子的成分不同，分别是-1秒、0秒和+1秒

我希望你从合适的袋子里总共抽出1000个乒乓球（即，取决于你当前的分数是否低于零），然后在“集合”的末尾写下你的总（累计）分数。然后我想让你们重复这个实验一百万次，告诉我你们最终得到的分数高于零的百分比是多少

有没有更快/更有效的方法来编写此代码？虽然我可以使用

ifelse

和

filter

的组合，但是由于绘图不是独立的，所以很难对循环进行矢量化？不过，我怀疑复制才是最昂贵的部分

ptm <- proc.time()

###First bag
n=30000
s=155
f=255
z=n-s-f
first_bag=c(rep(0,z), rep(1,s), rep(-1,f))

###Second bag
n2=30000
s2=275
f2=285
z2=n2-s2-f2
second_bag=c(rep(0,z2), rep(1,s2), rep(-1,f2))

###Simulate draws
sim_draw=function(draws){

  score=-1

  for (i in 1:draws) {
    if (score < 0) {
      score=score + sample(first_bag, 1, replace=TRUE)} else {
      score=score + sample(second_bag, 1, replace=TRUE)}
  }
  score
}

###Repeat sims and find area above zero
samp_distribution=replicate(1000000, sim_draw(1000))
mean(samp_distribution>0)


print(proc.time() - ptm)

ptm 0）
打印（过程时间（）-ptm）

一些想法：

R确实不擅长这种迭代过程。编译语言的性能会更好。我在这里假设你想坚持基本的R

---

学习使用探查器查看实现在何处浪费时间。有关如何使用它，请参见

？summaryRprof

底部的示例，只需将

示例（glm）

替换为您的代码：

samp\U发行版，我建议对代码进行优化（只要它能工作）。非常感谢！仅仅第一次改变就非常有用。我还将审查你的所有建议和建议，以确保我理解它们。再次感谢。
sim_draw_1 <- function(draws){

   s1 <- sample(bag1, draws, replace = TRUE)
   s2 <- sample(bag2, draws, replace = TRUE)
   score <- -1

   for (i in 1:draws)
      score <- score + if (score < 0) s1[i] else s2[i]

   score
}

    library(microbenchmark)
    microbenchmark(sim_draw(1000), sim_draw_1(1000),
                   times = 1000)
    # Unit: microseconds
    #              expr      min       lq    median       uq       max neval
    #    sim_draw(1000) 5518.758 5845.465 6036.1375 6340.662 53023.483  1000
    #  sim_draw_1(1000)  690.796  730.292  743.8435  785.071  8248.163  1000

library(compiler)
sim_draw_2 <- cmpfun(sim_draw_1)
library(microbenchmark)
microbenchmark(sim_draw_1(1000), sim_draw_2(1000), times = 1000)
# Unit: microseconds
#              expr     min       lq   median      uq      max neval
#  sim_draw_1(1000) 684.687 717.6640 748.3305 812.971 9412.936  1000
#  sim_draw_2(1000) 242.895 259.8125 268.3925 294.343 1710.290  1000

sim_draw_3 <- function(draws, bag1 = first_bag,
                       bag2 = second_bag){

   s1 <- sample(bag1, draws, replace = TRUE)
   s2 <- sample(bag2, draws, replace = TRUE)

   score <- -1L
   idx   <- 1L
   while (idx <= draws) {
      bag         <- if (score < 0) s1 else s2
      switch.at   <- if (score < 0) 0L else -1L
      next.draws  <- bag[idx:draws]
      next.scores <- score + cumsum(next.draws)
      stop.idx    <- which(next.scores == switch.at)[1]
      if (is.na(stop.idx)) stop.idx <- length(next.draws)
      score <- next.scores[stop.idx]
      idx   <- idx + stop.idx
   } 
   score
}
sim_draw_4 <- cmpfun(sim_draw_3)

microbenchmark(sim_draw_2(1000), sim_draw_3(1000), sim_draw_4(1000), times = 1000)
# Unit: microseconds
#              expr     min      lq   median       uq      max neval
#  sim_draw_2(1000) 236.916 252.540 269.1355 293.7775 7819.841  1000
#  sim_draw_3(1000)  80.527  95.185 128.9840 162.7790  625.986  1000
#  sim_draw_4(1000)  79.486  92.378 123.5535 162.5085  518.594  1000