重置列表中所有矩阵的维度
Reset the dimension of all the matrixs in a list
数据:假设我有一个名为 S
的矩阵列表,它可以通过以下方式生成:
S<-list(c(1:25),c(1:25),c(1:25),c(1:25))
这里是我想优化的可行方式:
for (i in 1:length(S))
{
dim(S[[i]])<-c(5,5)
}
在网上搜索后,我尝试使用 lapply
在列表上应用函数,这是我尝试过的代码:
mat<-lapply(S, function(x) dim(x)<-c(5,5))
只有returns:
> mat
[[1]]
[1] 5 5
[[2]]
[1] 5 5
[[3]]
[1] 5 5
[[4]]
[1] 5 5
问题:我想知道是否有一个内置函数可以在不需要 return
的列表上应用一个函数,或者我的代码中有一些错误?
提前致谢。
扩展您的代码尝试,您需要包含显式或隐式 return
语句:
lapply(S, function(x) { dim(x) <- c(5, 5); return(x) })
lapply(S, function(x) { dim(x) <- c(5, 5); x; })
或通过将每个 list
条目重铸为 matrix
:
来更快
lapply(S, function(x) matrix(x, 5, 5))
或使用purrr::map
:
map(S, ~ matrix(., 5, 5))
基准比较
[@HunterJiang 编辑]
library(microbenchmark)
library(purrr)
library(ggplot2)
N<-30
M<-30
S<-list(c(1:(N*M)),c(1:(N*M)),c(1:(N*M)),c(1:(N*M)))
mb <- microbenchmark(
for_loop = { for (i in 1:length(S)) dim(S[[i]])<-c(N,M) },
dim_plus_return = { S1<-lapply(S, function(x) { dim(x) <- c(N,M); return(x) }) },
cast_matrix = { S1<-lapply(S, function(x) matrix(x, N,M)) },
purrr_map = { S1<-map(S, ~ matrix(.,N,M)) },
set_dim_directly = { S1<-lapply(S, `dim<-`, c(N,M)) }
)
mb
ggplot(mb, aes(expr, log10(time))) +
geom_boxplot() +
labs(y = "Time in log10 nanosec", x = "Method")
当N和M较小时,即N=M=30,方法的速度为:
Unit: microseconds
expr min lq mean median uq max neval
for_loop 2111.950 2236.298 2537.42270 2328.4735 2484.2055 4581.549 100
dim_plus_return 10.264 12.633 32.91945 16.1855 19.3440 1641.794 100
cast_matrix 11.054 13.423 27.40873 16.3830 18.9490 1068.213 100
purrr_map 70.662 77.768 99.41636 93.1640 112.9015 199.748 100
set_dim_directly 5.527 6.909 8.47230 7.8960 9.6720 22.502 100
但是当 N 和 M 变大时,说 N=M=3k,lapply
变得比以前慢,for
循环可能是执行此操作的正确方法。
Unit: milliseconds
expr min lq mean median uq max neval
for_loop 2.224456 20.83191 52.76189 41.72521 69.91993 180.9775 100
dim_plus_return 35.930768 37.57671 68.63905 39.31620 74.14185 193.8300 100
cast_matrix 48.220338 51.16917 79.73308 52.37871 87.31804 199.2859 100
purrr_map 49.534089 51.21635 89.11881 61.12987 101.98780 195.1374 100
set_dim_directly 35.151124 37.71112 67.72032 39.91919 74.97617 184.4943 100
结论: S1<-lapply(S, `dim<-`, c(N,M))
适合小数据集,当数据集维度很大时,for
循环可能会更快。
数据:假设我有一个名为 S
的矩阵列表,它可以通过以下方式生成:
S<-list(c(1:25),c(1:25),c(1:25),c(1:25))
这里是我想优化的可行方式:
for (i in 1:length(S))
{
dim(S[[i]])<-c(5,5)
}
在网上搜索后,我尝试使用 lapply
在列表上应用函数,这是我尝试过的代码:
mat<-lapply(S, function(x) dim(x)<-c(5,5))
只有returns:
> mat
[[1]]
[1] 5 5
[[2]]
[1] 5 5
[[3]]
[1] 5 5
[[4]]
[1] 5 5
问题:我想知道是否有一个内置函数可以在不需要 return
的列表上应用一个函数,或者我的代码中有一些错误?
提前致谢。
扩展您的代码尝试,您需要包含显式或隐式 return
语句:
lapply(S, function(x) { dim(x) <- c(5, 5); return(x) })
lapply(S, function(x) { dim(x) <- c(5, 5); x; })
或通过将每个 list
条目重铸为 matrix
:
lapply(S, function(x) matrix(x, 5, 5))
或使用purrr::map
:
map(S, ~ matrix(., 5, 5))
基准比较
[@HunterJiang 编辑]
library(microbenchmark)
library(purrr)
library(ggplot2)
N<-30
M<-30
S<-list(c(1:(N*M)),c(1:(N*M)),c(1:(N*M)),c(1:(N*M)))
mb <- microbenchmark(
for_loop = { for (i in 1:length(S)) dim(S[[i]])<-c(N,M) },
dim_plus_return = { S1<-lapply(S, function(x) { dim(x) <- c(N,M); return(x) }) },
cast_matrix = { S1<-lapply(S, function(x) matrix(x, N,M)) },
purrr_map = { S1<-map(S, ~ matrix(.,N,M)) },
set_dim_directly = { S1<-lapply(S, `dim<-`, c(N,M)) }
)
mb
ggplot(mb, aes(expr, log10(time))) +
geom_boxplot() +
labs(y = "Time in log10 nanosec", x = "Method")
当N和M较小时,即N=M=30,方法的速度为:
Unit: microseconds
expr min lq mean median uq max neval
for_loop 2111.950 2236.298 2537.42270 2328.4735 2484.2055 4581.549 100
dim_plus_return 10.264 12.633 32.91945 16.1855 19.3440 1641.794 100
cast_matrix 11.054 13.423 27.40873 16.3830 18.9490 1068.213 100
purrr_map 70.662 77.768 99.41636 93.1640 112.9015 199.748 100
set_dim_directly 5.527 6.909 8.47230 7.8960 9.6720 22.502 100
但是当 N 和 M 变大时,说 N=M=3k,lapply
变得比以前慢,for
循环可能是执行此操作的正确方法。
Unit: milliseconds
expr min lq mean median uq max neval
for_loop 2.224456 20.83191 52.76189 41.72521 69.91993 180.9775 100
dim_plus_return 35.930768 37.57671 68.63905 39.31620 74.14185 193.8300 100
cast_matrix 48.220338 51.16917 79.73308 52.37871 87.31804 199.2859 100
purrr_map 49.534089 51.21635 89.11881 61.12987 101.98780 195.1374 100
set_dim_directly 35.151124 37.71112 67.72032 39.91919 74.97617 184.4943 100
结论: S1<-lapply(S, `dim<-`, c(N,M))
适合小数据集,当数据集维度很大时,for
循环可能会更快。