在[r]中使用for循环代替矩阵索引

我一直想用R中的for循环重写以下代码：

x <- sample(1:100, 10)
x[x %% 2 == 0]
#[1]   6  26  72  62  32  86 100

---

x使用
length
将新点击添加到
output
的末尾时，您可以跳过
NA
删除的内容

output <- integer(0)
for(i in seq_along(x)) {
  if(x[i] %% 2 == 0) {
    output[length(output) + 1] <- x[i]
  }
}
output

c
将
输出
和
x[i]
组合为一个新向量

或者用
x
预先分配
输出
，并用
NA

output <- x
for(i in seq_along(x)) {
  if(x[i] %% 2 != 0) {
    output[i] <- NA
  }
}
output <- output[!is.na(output)]
output

output为什么要这样做？你使用的是完全相同的函数，只会使它更复杂，性能更低。你完全正确！因为我只学了几个月的R，所以我尝试用不同的方法来编码一个给定的问题。更好地使用
输出然而，OP的方法会更好，他们把
输出放清楚：我不建议这样做。我强烈建议不要使用循环。非常感谢。你的解决方案听起来很有创意！请你解释一下为什么在最后一个代码中使用长度？谢谢你的回答亲爱的罗兰。你能解释一下产量是如何增加的吗
output <- integer(0)
for(i in seq_along(x)) {
  if(x[i] %% 2 == 0) {
    output <- c(output, x[i])
  }
}
output

output <- x
for(i in seq_along(x)) {
  if(x[i] %% 2 != 0) {
    output[i] <- NA
  }
}
output <- output[!is.na(output)]
output

fun <- alist(Vectorized = x[x %% 2 == 0]
  , Question = {output <- integer(0)
    for(i in seq_along(x)) {
      if(x[i] %% 2 == 0) {output[i] <- x[i]; output <- output[!is.na(output)]}
    }
    output}
  , NaOutside = {output <- integer(0)
    for(i in seq_along(x)) {
      if(x[i] %% 2 == 0) {output[i] <- x[i]}
    }
    output <- output[!is.na(output)]
    output}
  , Append = {output <- integer(0)
    for(i in seq_along(x)) {
      if(x[i] %% 2 == 0) {output[length(output) + 1] <- x[i]}
    }
    output}
  , Append2 = {output <- integer(0); j <- 1
    for(i in seq_along(x)) {
      if(x[i] %% 2 == 0) {output[j] <- x[i]; j <- j + 1}
    }
  , C = {output <- integer(0)
    for(i in seq_along(x)) {
      if(x[i] %% 2 == 0) {
        output <- c(output, x[i])
      }
    }
    output}
  , Preallocate = {output <- x
    for(i in seq_along(x)) {
      if(x[i] %% 2 != 0) {
        output[i] <- NA
      }
    }
    output <- output[!is.na(output)]
    output}
    )

library(microbenchmark)

set.seed(42)
x <- sample(1:100, 10)
microbenchmark(list = fun, control=list(order="block"))
#Unit: nanoseconds
#        expr     min      lq       mean    median      uq     max neval
#  Vectorized     644     655     781.54     666.5     721    8559   100
#    Question 4377648 4419010 4682029.95 4492628.5 4579952 7512162   100
#   NaOutside 3443488 3558401 3751542.62 3597273.0 3723662 5146015   100
#      Append 3932586 4070234 4287628.11 4129849.0 4209361 6036142   100
#     Append2 3966245 4094766 4360989.39 4147847.5 4312868 5899000   100
#           C 3464081 3566902 3806531.77 3618758.5 3743058 6528224   100
# Preallocate 3162424 3263220 3435591.92 3290938.0 3374547 4823017   100

set.seed(42)
x <- sample(1:1e5, 1e4)
microbenchmark(list = fun, control=list(order="block"))
#Unit: microseconds
#        expr        min         lq        mean     median          uq        max neval
#  Vectorized    226.224    276.271    277.0027    278.993    284.4515    345.527   100
#    Question 125550.120 126392.848 129287.7202 126812.309 128426.3655 157958.571   100
#   NaOutside   6911.053   7020.831   7497.4403   7109.891   8158.7580   8779.448   100
#      Append   7843.988   7982.987   8582.6769   8129.988   9287.5760  10775.894   100
#     Append2   7647.340   7783.334   8347.7824   7954.683   9007.4500  10325.973   100
#           C  27976.747  29776.632  29997.5407  30024.121  30250.9590  51630.868   100
# Preallocate   6119.198   6232.228   6679.9407   6367.618   7290.1015   8331.277   100