向量化与非向量化循环效率

Question

我正在尝试编写一个简单的 for 循环，根据项目的新旧程度（在随机范围内）对数据框中的项目进行排名。

下面的代码工作正常，但根据我对 R 的了解（目前正在学习 R），这可能不是很可扩展或使用 R 最强大的功能。它可能也需要更多的标准，进一步减慢速度

这是循环遍历数据帧中行的最佳方式吗？如果不是，我该如何对其进行矢量化？

我的数据是这样的，

   Product_ID  Product_Created Price_GBP shoprank       absdate
1          19 09/09/2010 04:38        50      135 3723.495 days
2          20 09/09/2010 04:44        50       19 3723.495 days
3          39 09/09/2010 04:58        50      117 3723.495 days
4          40 09/09/2010 05:03        50       68 3723.495 days
5       21957 15/10/2010 02:48      1250       21 3687.495 days
6           8 01/04/2011 17:50       149      137 3519.495 days
7           9 12/04/2011 18:18       120       55 3508.495 days
8        5647 25/04/2011 20:01       300       73 3495.495 days
9        1178 28/04/2011 10:09       450       55 3492.495 days
10         11 28/04/2011 15:32       410      141 3492.495 days

我是这样计算弃权率的，

safeproducts$absdate <- difftime(Sys.time(), safeproducts$Product_Created,,units = ("days"))

还有我的 for 循环，

for (i in 1:nrow(safeproducts)){
  if (safeproducts$absdate[i] <= 30) {
    safeproducts$shoprank[i] <- sample(1:300,1)
  } else if (safeproducts$absdate[i] > 30 & safeproducts$absdate[i] <= 180){
    safeproducts$shoprank[i] <- sample(1:330,1)
  } else if (safeproducts$absdate[i] > 180) {
    safeproducts$shoprank[i] <- sample(1:150,1)
  }
}

正如我提到的，我目前正在学习 R，因此非常感谢任何帮助

Answer 1

好的，我不知道你的循环应该做什么，但这里有一个使用 tidverse 包的更密集的版本。

library(tidyverse)

safeproducts %>%
    mutate(absdate_class = case_when(absdate <= 30 ~ 300
                                     , absdate <= 180 ~ 330
                                     , TRUE ~ 150)) %>%
    group_by(absdate_class) %>%
    mutate(shoprank = sample.int(first(absdate_class), n(), replace = TRUE)) %>%
    ungroup() %>%
    select(-absdate_class)

读取管道符号(%>%)为“then”，如'take the dataframe' then '计算变量absdate_class等.阅读这篇文章 book 会有很大帮助。

通常在 for 循环中。在 R 中尽可能避开它们。您想要在 R 中使用 for 循环的唯一真实场景是当循环的迭代 i 需要迭代 i-1.

的结果时

祝您学习愉快。 :)

向量化与非向量化循环效率

Vectorized vs non-vectorized for loop efficiency

for-loop

r

vectorization