在R中的for循环中嵌套循环时加速

在R中，我有以下示例模块，该模块重复for循环

n

次：

function(n){
#inputs - n - number of results required
    #reserve n spaces for results
    r_num_successes <- 1:n

    #start looping n times
    for(i in 1:n){

        #set first uniform "random" deviate equal to 0.05 and number of successes to 0
        current_unif <- 0.05
        num_successes <- 0

        #start while loop that updates current_unif - it runs as long as 
        #current_unif is less than 0.95, increments num_successes each loop
        while(current_unif < 0.95){

            #set current_unif to a uniform random deviate between the
            #existing current_unif and 1
            current_unif <- runif(1,current_unif)
            num_successes <- num_successes + 1
        }

        #set the i-th element of the results vector to that final num_successes
        #generated by the while loop
        r_num_successes[i] <- num_successes
    }

            #output the mean of all the successes
    return(mean(r_num_successes))
}

函数（n）{
#输入-n-所需结果的数量
#为结果保留n个空格
r_num_successfuls使用纯r无法显著提高速度。字节编译会给您带来一点改进，但您需要转向编译代码以获得任何显著的速度提升

更新：这里有一个Rcpp解决方案，只针对德克：）

>nCode
>库（内联）
>nFunRcpp库（编译器）
>nFunCmp系统时间（nFun（1e5））
用户系统运行时间
3.100   0.000   3.098 
>系统时间（nFunCmp（1e5））
用户系统运行时间
2.120   0.000   2.114 
>系统时间（nFunRcpp（1e5））
用户系统运行时间
0.010   0.000   0.016 
使用纯R无法显著提高此操作的速度。字节编译将给您带来一点改进，但您需要转向编译代码以获得任何显著的速度提升

更新：这里有一个Rcpp解决方案，只针对德克：）

>nCode
>库（内联）
>nFunRcpp库（编译器）
>nFunCmp系统时间（nFun（1e5））
用户系统运行时间
3.100   0.000   3.098 
>系统时间（nFunCmp（1e5））
用户系统运行时间
2.120   0.000   2.114 
>系统时间（nFunRcpp（1e5））
用户系统运行时间
0.010   0.000   0.016 
为了完整起见，我建议@JoshuaUlrich：

R> res <- benchmark(nFun(1e5L), nFunCmp(1e5L), nFunRcpp(1e5L), nFun2Rcpp(1e5L),
+                  columns = c("test", "replications", "elapsed", "relative"),
+                  replications=10,
+                  order="relative")
R> print(res)
               test replications elapsed  relative
4 nFun2Rcpp(100000)           10   0.117   1.00000
3  nFunRcpp(100000)           10   0.122   1.04274
2   nFunCmp(100000)           10  13.845 118.33333
1      nFun(100000)           10  23.212 198.39316
R> 

并将作业更改为

rns[i] = num_successes;

而不是使用
。push_back（）
，这会使内存分配更高效

编辑结果是不准确的，是随机算法的反映。如果我把一组“代码> > SET（种子）（/CODE）添加到每一个，两个C++版本之间的时间是相同的。这里没有可测量的增益。
只是为了完整性，这里是我对JoshuaUlrich提出的建议：
R> res <- benchmark(nFun(1e5L), nFunCmp(1e5L), nFunRcpp(1e5L), nFun2Rcpp(1e5L),
+                  columns = c("test", "replications", "elapsed", "relative"),
+                  replications=10,
+                  order="relative")
R> print(res)
               test replications elapsed  relative
4 nFun2Rcpp(100000)           10   0.117   1.00000
3  nFunRcpp(100000)           10   0.122   1.04274
2   nFunCmp(100000)           10  13.845 118.33333
1      nFun(100000)           10  23.212 198.39316
R> 

并将作业更改为

rns[i] = num_successes;

而不是使用
。push_back（）
，这会使内存分配更高效

编辑结果不准确，反映了随机算法< /代码>每个版本，两个C++版本之间的时间是相同的。这里没有可测量的增益。请用文字描述这个函数应该做什么。看起来你只是在使用“代码> N<代码>，从一个5%的成功率的均匀样本中抽取。”安德烈显然在试图提出一种测量“COD”分布的方法。e> runif

这值得提交给DailyWTF:-）@CarlWitthoft Ahah。我当时认为这是最混乱的随机采样器比赛的新项目…@dplanet我看到你在代码中添加了注释。这只是在毫无意义的代码中添加注释。请用文字描述你正在尝试做什么。@CarlWitthoft-我懒散了，所以+1。然而，这只是我正在制作的一个函数的一个简单示例，它有很多行，因此需要优化。我对脚本进行了评论-我发现很难解释，因为除了证明我的观点之外，它没有任何用处。请用文字描述这个函数应该做什么。看起来你根本不是aking

n

以5%的成功率从一个统一的样本中抽取。@Andrie显然在试图想出一种测量

runif

分布的方法，值得提交给DailyWTF:-）@CarlWitthoft-Ahah。我当时认为这是一个最混乱的随机抽样比赛的新项目…@dplanet我看到你在代码中添加了注释。这只是在毫无意义的代码中添加了注释。请用文字描述你正在尝试做什么。@CarlWitthoft-我懒散了so+1。然而，这只是我正在制作的一个简单的函数示例，它有很多行，因此需要优化。我对脚本进行了注释-我发现很难扩展因为它除了证明我的观点之外没有任何用处。天哪，Josh发布了一个Rcpp解决方案？太棒了。我只有一个温和的建议：使用

rbenchmark:：benchmark（）

用于计时。哦，可能会预先分配向量。但是STL在计算平均值时的使用非常好。给我留下深刻印象：）@DirkEddelbuettel:谢谢。我的“STL在计算平均值时的使用非常好”搜索结果是否如此。；）我不认为有理由使用

rbenchmark

，因为在这种情况下没有竞争。我还从你的博客中刷了一点代码来开始。：）天哪，Josh发布了一个Rcpp解决方案？太棒了。我只有一个温和的建议：使用

rbenchmark:：benchmark（）

用于计时。哦，可能会预先分配向量。但是STL在计算平均值时的使用非常好。给我留下深刻印象：）@DirkEddelbuettel:谢谢。我的“STL在计算平均值时的使用非常好”搜索的结果是这样的。；）我不认为有理由使用

rbenchmark

，因为在这种情况下没有竞争。我还从你的博客中刷了一些代码来开始。：）你是对的，使用rbenchmark的比率好多了。：）你是对的，使用rbenchmark的比率好多了。：）