稀疏向量与R中另一向量的分量函数的分量积

要详细说明DWin的答案和您对它的评论,只需跟踪 0 再加上一些琐碎的答案:

## Dummy data
set.seed(1)
a <- sample(0:10, 100, replace = TRUE)
b <- runif(100)

## something to hold results
out <- numeric(length(a))
## the computations you *want* to do
want <- !a==0
## fill in the wanted answers
out[want] <- a[want] * exp(b[want])

结果是正确的:

> all.equal(out, a * exp(b))
[1] TRUE

如果需要,可以将其包装为一个函数:

myFun <- function(a, b) {
    out <- numeric(length(a))
    want <- !a==0
    out[want] <- a[want] * exp(b[want])
    return(out)
}

那就用它吧

> all.equal(out, myFun(a, b))
[1] TRUE

但是 没有比使用 a * exp(b) 直接的。两者 * 和 exp() 是矢量化的,所以运行速度会非常快,比目前各种答案中使用的任何预订保持措施都快得多。

你是否需要簿记解决方案将取决于你的功能有多贵( 经验() 在你的例子中Q)是用计算的术语。在一个小样本上尝试两种方法并评估计时(使用 system.time() )以查看是否值得进行子设置以跟踪0。

只需将表达式替换为:

ifelse(a==0,0,a*exp(b))

如果这能提高性能,我会很惊讶,不过,因为R是解释的,运行 ifelse 可能比浪费 exp 召唤。

类似于DWin的建议:

> n <- 1e5
> nonzero <- .01
> b <- rnorm(n)
> a <- rep(0, n)
> a[1:(n*nonzero)] <- rnorm(n*nonzero)
> 
> system.time(replicate(100, {
+                   c <- a*exp(b)
+               }))
   user      system     elapsed 
   1.19        0.05        1.23 
> system.time(replicate(100, {
+                   zero <- a < .Machine$double.eps
+                   c <- a
+                   c[!zero] <- a[!zero]*exp(b[!zero])
+               }))
   user      system     elapsed 
   0.42        0.08        0.50 

你可以通过对两个向量进行索引来测试你认为浪费的情况。如果该函数比exp花费更多的时间,则可能会产生影响:

a[ !b==0 ]*exp( b[!b==0] )

还要认识到有陷阱要测试与数值模式是否相等。你可能想把zapsmall和all.equal看作是替代品,这取决于真正的问题是什么。

> 3/10 == 0.1*3
[1] FALSE