R中pearson,kendall的快速相关解
当我需要加速cor(…,method=“kendall”)时,我发现。这可以通过R中的R中pearson,kendall的快速相关解,r,performance,R,Performance,当我需要加速cor(…,method=“kendall”)时,我发现。这可以通过R中的cor()轻松加速pearson相关计算 但是肯德尔实际上是速度较慢的。然后,快速替代方法可以是cor.fk(x,y=NULL),这比cor(…,method=“kendall”)快得多。当涉及引导或非常大的矩阵时,非常快速的替代方法可以是cor.fk(x,y=NULL) 它可以按如下方式使用: library(PAsso) # import data -----------------------------
cor()
轻松加速pearson
相关计算
但是肯德尔实际上是速度较慢的。然后,快速替代方法可以是
cor.fk(x,y=NULL)
,这比cor(…,method=“kendall”)
快得多。当涉及引导或非常大的矩阵时,非常快速的替代方法可以是cor.fk(x,y=NULL)
它可以按如下方式使用:
library(PAsso)
# import data -------------------------------------------------------------
data(ANES2016)
summary(ANES2016)
system.time(
cor_matrix <- cor(ANES2016[, c("Prevote.num","PID")], method = "pearson")
)
# user system elapsed
# 0 0 0
system.time(
cor_matrix <- cor(ANES2016[, c("PreVote.num","PID")], method = "kendall")
)
# user system elapsed
# 0.19 0.00 0.19
library(pcaPP)
system.time(
cor.fk(ANES2016[, c("PreVote.num","PID")])
)
# user system elapsed
# 0 0 0
库(PAsso)
#导入数据-------------------------------------------------------------
数据(2016年)
总结(2016年)
系统时间(
cor_matrix当涉及引导或非常大的矩阵时,一个非常快速的替代方法是cor.fk(x,y=NULL)
它可以按如下方式使用:
library(PAsso)
# import data -------------------------------------------------------------
data(ANES2016)
summary(ANES2016)
system.time(
cor_matrix <- cor(ANES2016[, c("Prevote.num","PID")], method = "pearson")
)
# user system elapsed
# 0 0 0
system.time(
cor_matrix <- cor(ANES2016[, c("PreVote.num","PID")], method = "kendall")
)
# user system elapsed
# 0.19 0.00 0.19
library(pcaPP)
system.time(
cor.fk(ANES2016[, c("PreVote.num","PID")])
)
# user system elapsed
# 0 0 0
库(PAsso)
#导入数据-------------------------------------------------------------
数据(2016年)
总结(2016年)
系统时间(
cor_矩阵