r - 为什么 `sapply` 在 R 中处理数据帧中的行比处理列慢得多？

Question

考虑以下脚本，我们将其称为 Foo.r .

set.seed(1)                                       
x=matrix(rnorm(1000*1000),ncol=1000)              
x=data.frame(x)                                   


dummy = sapply(1:1000,function(i) sum(x[i,]) )    
#dummy = sapply(1:1000,function(i) sum(x[,i]) )  

当第一dummy行被注释掉，我们正在对列求和，代码在我的机器上运行不到一秒钟。

$ time Rscript Foo.r  

real    0m0.766s
user    0m0.536s
sys     0m0.080s

当第二个dummy行被注释掉(第一个被注释掉)，我们正在对行求和，运行时间接近 30 秒。

$ time Rscript Foo.r  

real    0m30.589s
user    0m30.248s
sys     0m0.104s

请注意，我知道标准求和函数 rowSums和 colSums ，但我仅将 sum 用作这种奇怪的不对称性能行为的示例。

Answer 1

这不是 sapply 的真正结果，而是与数据帧的存储方式以及提取行与列的含义有关。数据框存储为列表，其中列表的每个元素都是一列。

这意味着提取列比提取行更容易。

为了证明这与 sapply 无关，考虑一下，使用您的数据框 x :

foo1 <- function(){
+   for (i in 1:1000){
+       tmp <- x[i, ]
+   }
+ }  
> 
> foo2 <- function(){
+   for (i in 1:1000){
+       tmp <- x[ ,i]
+   }
+ }
> system.time(foo2())
   user  system elapsed 
  0.029   0.000   0.031 
> system.time(foo1())  
   user  system elapsed 
 15.986   0.074  15.894 

如果您需要按行快速地做事，数据框通常是一个糟糕的选择。要对行进行操作，它必须从每个列表项中提取相应的元素。要对列进行操作，它只需要遍历列。