R中两个改组代码的相等性
Equality of two shuffling codes in R
我想知道以下两个 4 个数字的洗牌 (1:4) 是否同样随机，或者就随机性而言，一个可能优于另一个：
sample(rep(1:4, 10))
replicate(10, sample(1:4))
限制条件：
尽管是随机的，但我需要有相同数量的 1、2、3 和 4。
看清楚你在注释中的意思后，这两行代码在随机性上基本相等，因为你会得到每个类别的10个实例（从1到4）。
完成任务的时间基本相同，因为总共只有40个数字。
然而，sample(rep(1:4, 10)) returns 一个长度为 40 的整数 向量 ，而 replicate(10, sample(1:4)) 输出一个 4x10 矩阵，其中从 1 到 4 的数字在每一列中恰好绘制一次。
这些函数在任何方面都不相等。
1。输入
f1() outputs a vector, f2() outputs a matrix.
正如@RicS所说，第一个returns一个向量，第二个returns一个矩阵。
2。时间
f1() is almost 50x faster than f2().
运行时的差异 在更大范围内变得更加清晰：
set.seed(1701)
# Functions
f1 <- function() { sample(rep(1:4, 10000)) }
f2 <- function() { c(replicate(10000, sample(1:4))) }
# Benchmark
microbenchmark::microbenchmark(f1(), f2())
Unit: microseconds
expr min lq mean median uq max neval cld
f1() 671.28 820.6755 983.9417 988.7985 1046.476 2320.425 100 a
f2() 40588.03 43241.0270 48796.0141 45612.0740 54431.890 71117.415 100 b
我们看到 f1() 明显更快，正如@JosephClarkMcIntyre 在评论中所说的那样。
但它们是否至少在 随机性 方面相等？
让我们测试一下！
3。随机性
f2() is not random.
Bartels 等级测试可以测试一系列数字的随机性和非随机性。
> randtests::bartels.rank.test(as.numeric(f1_result$value))
Bartels Ratio Test
data: as.numeric(f1_result$value)
statistic = -1.26, n = 40000, p-value = 0.2077
alternative hypothesis: nonrandomness
p 值 > 0.05，因此未拒绝原假设。
f1() 的结果不是非随机的。 （这与确定它是随机的不同）
> randtests::bartels.rank.test(as.numeric(f2_result$value))
Bartels Ratio Test
data: as.numeric(f2_result$value)
statistic = 50.017, n = 40000, p-value < 2.2e-16
alternative hypothesis: nonrandomness
p 值 < 0.05，因此原假设被拒绝。
f1() 的结果是非随机的。
如果您查看函数本身的结果，这一点也很明显。
> set.seed(1701)
> replicate(10, sample(1:4))
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 1 4 1 3 3 2 3 3 4 1
[2,] 3 1 2 1 4 3 2 2 3 4
[3,] 4 2 3 2 1 1 4 4 2 2
[4,] 2 3 4 4 2 4 1 1 1 3
它生成一个包含十列的矩阵，每列包含正好 个数字1:4。这是不是随机的。
我想知道以下两个 4 个数字的洗牌 (1:4) 是否同样随机，或者就随机性而言，一个可能优于另一个：
sample(rep(1:4, 10))
replicate(10, sample(1:4))
限制条件：
尽管是随机的，但我需要有相同数量的 1、2、3 和 4。
看清楚你在注释中的意思后，这两行代码在随机性上基本相等，因为你会得到每个类别的10个实例（从1到4）。
完成任务的时间基本相同，因为总共只有40个数字。
然而，sample(rep(1:4, 10)) returns 一个长度为 40 的整数 向量 ，而 replicate(10, sample(1:4)) 输出一个 4x10 矩阵，其中从 1 到 4 的数字在每一列中恰好绘制一次。
这些函数在任何方面都不相等。
1。输入
f1() outputs a vector, f2() outputs a matrix.
正如@RicS所说，第一个returns一个向量，第二个returns一个矩阵。
2。时间
f1() is almost 50x faster than f2().
运行时的差异 在更大范围内变得更加清晰：
set.seed(1701)
# Functions
f1 <- function() { sample(rep(1:4, 10000)) }
f2 <- function() { c(replicate(10000, sample(1:4))) }
# Benchmark
microbenchmark::microbenchmark(f1(), f2())
Unit: microseconds
expr min lq mean median uq max neval cld
f1() 671.28 820.6755 983.9417 988.7985 1046.476 2320.425 100 a
f2() 40588.03 43241.0270 48796.0141 45612.0740 54431.890 71117.415 100 b
我们看到 f1() 明显更快，正如@JosephClarkMcIntyre 在评论中所说的那样。
但它们是否至少在 随机性 方面相等？ 让我们测试一下！
3。随机性
f2() is not random.
Bartels 等级测试可以测试一系列数字的随机性和非随机性。
> randtests::bartels.rank.test(as.numeric(f1_result$value))
Bartels Ratio Test
data: as.numeric(f1_result$value)
statistic = -1.26, n = 40000, p-value = 0.2077
alternative hypothesis: nonrandomness
p 值 > 0.05，因此未拒绝原假设。
f1() 的结果不是非随机的。 （这与确定它是随机的不同）
> randtests::bartels.rank.test(as.numeric(f2_result$value))
Bartels Ratio Test
data: as.numeric(f2_result$value)
statistic = 50.017, n = 40000, p-value < 2.2e-16
alternative hypothesis: nonrandomness
p 值 < 0.05，因此原假设被拒绝。
f1() 的结果是非随机的。
如果您查看函数本身的结果，这一点也很明显。
> set.seed(1701)
> replicate(10, sample(1:4))
[,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
[1,] 1 4 1 3 3 2 3 3 4 1
[2,] 3 1 2 1 4 3 2 2 3 4
[3,] 4 2 3 2 1 1 4 4 2 2
[4,] 2 3 4 4 2 4 1 1 1 3
它生成一个包含十列的矩阵，每列包含正好 个数字1:4。这是不是随机的。