使用 c() 增长向量与 R 中的赋值之间的性能差异

Question

使用 c() 增长向量与 R 中的赋值之间的性能差异

Ann*_*lli 6 memory performance r

我正在尝试整理一些关于 R 中循环增长数据结构的危险的材料for。我希望能够解释导致性能差异的幕后原因，尤其是方法中巨大的内存差异。

\n

我对比了 3 种方法：

\n

通过使用该c()函数来增长结果向量。
通过分配来增长结果向量。
预分配结果向量。

\n

考虑以下表示：

\n

library(pryr)\n\nx <- runif(10, min = 1, max = 100)\n\n# Create function that appends to result vector through c\nfor_loop_c <- function(x, print = TRUE) {\n    y <- NULL\n    for (i in seq_along(x)) {\n        y <- c(y, sqrt(x[i]))\n        if (print) {\n            print(c(address(y), refs(y)))\n        }\n    }\n    y\n}\n# Create function that appends to result vector through assignment\nfor_loop_assign <- function(x, print = TRUE) {\n    y <- NULL\n    for (i in seq_along(x)) {\n        y[i] <- sqrt(x[i])\n        if (print) {\n            print(c(address(y), refs(y)))\n        }\n    }\n    y\n}\n\n# Create function that preallocates result vector\nfor_loop_preallocate <- function(x, print = TRUE) {\n    y <- numeric(length(x))\n\n    for (i in seq_along(x)) {\n        y[i] <- sqrt(x[i])\n\n        if (print) {\n        print(c(address(y), refs(y)))\n        }\n    }\n    y\n}\n\n# Run functions and check for copies by changes to address and refs\nfor_loop_c(x)\n#> [1] "0x11bfbdbf8" "1"          \n#> [1] "0x11bf9b948" "1"          \n#> [1] "0x11bf9f398" "1"          \n#> [1] "0x11bf9f258" "1"          \n#> [1] "0x11bf82938" "1"          \n#> [1] "0x11bf82778" "1"          \n#> [1] "0x11bf825b8" "1"          \n#> [1] "0x11bf823f8" "1"          \n#> [1] "0x11bf55768" "1"          \n#> [1] "0x11bf55608" "1"\n#>  [1] 3.976751 6.148983 9.373843 7.928771 5.321063 7.238960 5.707823 9.921684\n#>  [9] 7.643938 3.764301\nfor_loop_assign(x)\n#> [1] "0x11c2ee4e8" "1"          \n#> [1] "0x11c2bb608" "1"          \n#> [1] "0x11c2b6c28" "1"          \n#> [1] "0x11c2b6ae8" "1"          \n#> [1] "0x11c224d48" "1"          \n#> [1] "0x11c224b88" "1"          \n#> [1] "0x11c2249c8" "1"          \n#> [1] "0x11c224808" "1"          \n#> [1] "0x11c2d3748" "1"          \n#> [1] "0x11c2d35e8" "1"\n#>  [1] 3.976751 6.148983 9.373843 7.928771 5.321063 7.238960 5.707823 9.921684\n#>  [9] 7.643938 3.764301\nfor_loop_preallocate(x)\n#> [1] "0x11c5b8888" "1"          \n#> [1] "0x11c5b8888" "1"          \n#> [1] "0x11c5b8888" "1"          \n#> [1] "0x11c5b8888" "1"          \n#> [1] "0x11c5b8888" "1"          \n#> [1] "0x11c5b8888" "1"          \n#> [1] "0x11c5b8888" "1"          \n#> [1] "0x11c5b8888" "1"          \n#> [1] "0x11c5b8888" "1"          \n#> [1] "0x11c5b8888" "1"\n#>  [1] 3.976751 6.148983 9.373843 7.928771 5.321063 7.238960 5.707823 9.921684\n#>  [9] 7.643938 3.764301\n\n# Create a bigger example x for benchmarking\nx <- runif(10000, min = 1, max = 100)\n\n# Benchmark\nbench::mark(\n    for_loop_c(x, print = FALSE),\n    for_loop_assign(x, print = FALSE),\n    for_loop_preallocate(x, print = FALSE)\n)\n#> Warning: Some expressions had a GC in every iteration; so filtering is disabled.\n#> # A tibble: 3 \xc3\x97 6\n#>   expression                                  min   median `itr/sec` mem_alloc\n#>   <bch:expr>                             <bch:tm> <bch:tm>     <dbl> <bch:byt>\n#> 1 for_loop_c(x, print = FALSE)              106ms 114.92ms      8.57  381.96MB\n#> 2 for_loop_assign(x, print = FALSE)        1.19ms   1.27ms    621.      1.66MB\n#> 3 for_loop_preallocate(x, print = FALSE) 381.71\xc2\xb5s 386.88\xc2\xb5s   2554.     78.17KB\n#> # \xe2\x80\xa6 with 1 more variable: `gc/sec` <dbl>\n\n\nlibrary(profmem)\ngc()\n#>           used (Mb) gc trigger (Mb) limit (Mb) max used (Mb)\n#> Ncells  824931 44.1    1409852 75.3         NA  1409852 75.3\n#> Vcells 1483448 11.4    8388608 64.0      32768  8388585 64.0\n\npm1 <- profmem({\n    y <- NULL\n    for (i in seq_along(x)) {\n        y <- c(y, sqrt(x[i]))\n    }\n\n})\n\n\npm2 <- profmem({\n    y <- NULL\n    for (i in seq_along(x)) {\n        y[i] <- sqrt(x[i])\n    }\n    y\n\n})\n\n# Number of times memory allocation occurred\npm1$bytes |> length()\n#> [1] 10061\npm2$bytes |> length()\n#> [1] 174\n

Run Code Online (Sandbox Code Playgroud)\n

^{创建于 2023-02-02，使用reprex v2.0.2}

\n\n\n会话信息\n\n

sessioninfo::session_info()\n#> \xe2\x94\x80 Session info \xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\n#>  setting  value\n#>  version  R version 4.2.1 (2022-06-23)\n#>  os       macOS Monterey 12.3.1\n#>  system   aarch64, darwin20\n#>  ui       X11\n#>  language (EN)\n#>  collate  en_US.UTF-8\n#>  ctype    en_US.UTF-8\n#>  tz       Europe/Athens\n#>  date     2023-02-02\n#>  pandoc   2.19.2 @ /Applications/RStudio.app/Contents/Resources/app/quarto/bin/tools/ (via rmarkdown)\n#> \n#> \xe2\x94\x80 Packages \xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\n#>  ! package     * version date (UTC) lib source\n#>    bench         1.1.2   2021-11-30 [1] CRAN (R 4.2.0)\n#>    cli           3.6.0   2023-01-09 [1] CRAN (R 4.2.0)\n#>    codetools     0.2-18  2020-11-04 [2] CRAN (R 4.2.1)\n#>  P digest        0.6.29  2021-12-01 [?] CRAN (R 4.2.0)\n#>  P evaluate      0.16    2022-08-09 [?] CRAN (R 4.2.1)\n#>    fansi         1.0.3   2022-03-24 [2] CRAN (R 4.2.0)\n#>  P fastmap       1.1.0   2021-01-25 [?] CRAN (R 4.2.0)\n#>    fs            1.5.2   2021-12-08 [1] CRAN (R 4.2.0)\n#>  P glue          1.6.2   2022-02-24 [?] CRAN (R 4.2.0)\n#>  P highr         0.9     2021-04-16 [?] CRAN (R 4.2.1)\n#>  P htmltools     0.5.3   2022-07-18 [?] CRAN (R 4.2.0)\n#>  P knitr         1.40    2022-08-24 [?] CRAN (R 4.2.0)\n#>    lifecycle     1.0.3   2022-10-07 [2] CRAN (R 4.2.0)\n#>  P magrittr      2.0.3   2022-03-30 [?] CRAN (R 4.2.0)\n#>    pillar        1.8.1   2022-08-19 [2] CRAN (R 4.2.0)\n#>    pkgconfig     2.0.3   2019-09-22 [2] CRAN (R 4.2.0)\n#>  P profmem     * 0.6.0   2020-12-13 [?] CRAN (R 4.2.0)\n#>    pryr        * 0.1.6   2023-01-17 [1] CRAN (R 4.2.0)\n#>    purrr         1.0.1   2023-01-10 [1] CRAN (R 4.2.0)\n#>  P R.cache       0.16.0  2022-07-21 [?] CRAN (R 4.2.0)\n#>  P R.methodsS3   1.8.2   2022-06-13 [?] CRAN (R 4.2.0)\n#>  P R.oo          1.25.0  2022-06-12 [?] CRAN (R 4.2.0)\n#>  P R.utils       2.12.2  2022-11-11 [?] CRAN (R 4.2.0)\n#>    Rcpp          1.0.9   2022-07-08 [2] CRAN (R 4.2.0)\n#>    reprex        2.0.2   2022-08-17 [2] CRAN (R 4.2.0)\n#>    rlang         1.0.6   2022-09-24 [1] CRAN (R 4.2.0)\n#>  P rmarkdown     2.16    2022-08-24 [?] CRAN (R 4.2.0)\n#>    rstudioapi    0.14    2022-08-22 [2] CRAN (R 4.2.0)\n#>    sessioninfo   1.2.2   2021-12-06 [2] CRAN (R 4.2.0)\n#>  P stringi       1.7.8   2022-07-11 [?] CRAN (R 4.2.0)\n#>  P stringr       1.4.1   2022-08-20 [?] CRAN (R 4.2.0)\n#>  P styler        1.9.0   2023-01-15 [?] CRAN (R 4.2.0)\n#>    tibble        3.1.8   2022-07-22 [2] CRAN (R 4.2.0)\n#>    utf8          1.2.2   2021-07-24 [2] CRAN (R 4.2.0)\n#>  P vctrs         0.5.1   2022-11-16 [?] CRAN (R 4.2.0)\n#>    withr         2.5.0   2022-03-03 [2] CRAN (R 4.2.0)\n#>  P xfun          0.33    2022-09-12 [?] CRAN (R 4.2.1)\n#>  P yaml          2.3.5   2022-02-21 [?] CRAN (R 4.2.0)\n#> \n#>  [1] /*/renv/library/R-4.2/aarch64-apple-darwin20\n#>  [2] /Library/Frameworks/R.framework/Versions/4.2-arm64/Resources/library\n#> \n#>  P \xe2\x94\x80\xe2\x94\x80 Loaded and on-disk path mismatch.\n#> \n#> \xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\n

Run Code Online (Sandbox Code Playgroud)\n\n

我理解为什么预分配是最有效的（不制作副本，每次迭代时处理相同的地址）。

\n

我认为发生的事情是，在函数内制作了c()完整的副本，然后在分配回时制作了另一个副本，而在使用分配进行增长时，制作了一份副本（因此地址发生了变化），但仅在分配期间制作了？yy

\n

我的问题是：

\n

我的一般理解正确吗？
方法 1 和方法 2 之间的副本及其大小究竟发生了什么，可以解释所使用的内存和内存分配事件数量的巨大差异？
有没有一种好方法可以准确演示方法 1 和 2 之间发生的情况？

\n

编辑

\n

根据 @Kevin-Ushey 和 @alexis_laz 的反馈，我调整了示例以记录每次迭代时地址更改的累积数量：

\n

library(pryr)\nlibrary(ggplot2)\n\n# Create function that appends to result vector through c\n# Collect cumulative number of address changes per iteration\nfor_loop_c <- function(x, count_addr = TRUE) {\n    y <- NULL\n    y_addr <- address(y)\n    cum_address_n <- 0\n    cum_address_n_v <- numeric(length(x))\n\n    for (i in seq_along(x)) {\n        y <- c(y, sqrt(x[i]))\n            if (address(y) != y_addr) {\n                cum_address_n <- cum_address_n + 1\n                y_addr <- address(y)\n            }\n\n        cum_address_n_v[i] <- cum_address_n\n    }\n    data.frame(i = seq_along(cum_address_n_v),\n               cum_address_n = cum_address_n_v,\n               mode = "c")\n}\n\n# Create function that appends to result vector through assignment.\n# Collect cumulative number of address changes per iteration\nfor_loop_assign <- function(x) {\n    y <- NULL\n    y_addr <- address(y)\n    cum_address_n <- 0\n    cum_address_n_v <- numeric(length(x))\n\n    for (i in seq_along(x)) {\n\n        y[i] <- sqrt(x[i])\n            if (address(y) != y_addr) {\n                cum_address_n <- cum_address_n + 1\n                y_addr <- address(y)\n            }\n        cum_address_n_v[i] <- cum_address_n\n    }\n    data.frame(i = seq_along(cum_address_n_v),\n               cum_address_n = cum_address_n_v,\n               mode = "assign")\n}\n\n\n\n\nx <- runif(10000, min = 1, max = 100)\n\nrbind(for_loop_c(x), for_loop_assign(x)) |>\n    ggplot(aes(x = i, y = cum_address_n, colour = mode)) +\n    geom_line()\n

Run Code Online (Sandbox Code Playgroud)\n

\n

^{创建于 2023-02-03，使用reprex v2.0.2}

\n\n\n会话信息\n\n

sessioninfo::session_info()\n#> \xe2\x94\x80 Session info \xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\n#>  setting  value\n#>  version  R version 4.2.1 (2022-06-23)\n#>  os       macOS Monterey 12.3.1\n#>  system   aarch64, darwin20\n#>  ui       X11\n#>  language (EN)\n#>  collate  en_US.UTF-8\n#>  ctype    en_US.UTF-8\n#>  tz       Europe/Athens\n#>  date     2023-02-03\n#>  pandoc   2.19.2 @ /Applications/RStudio.app/Contents/Resources/app/quarto/bin/tools/ (via rmarkdown)\n#> \n#> \xe2\x94\x80 Packages \xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\n#>  ! package     * version date (UTC) lib source\n#>  P assertthat    0.2.1   2019-03-21 [?] CRAN (R 4.2.0)\n#>    cli           3.6.0   2023-01-09 [1] CRAN (R 4.2.0)\n#>    codetools     0.2-18  2020-11-04 [2] CRAN (R 4.2.1)\n#>  P colorspace    2.0-3   2022-02-21 [?] CRAN (R 4.2.1)\n#>    curl          4.3.2   2021-06-23 [2] CRAN (R 4.2.0)\n#>    DBI           1.1.3   2022-06-18 [1] CRAN (R 4.2.0)\n#>  P digest        0.6.29  2021-12-01 [?] CRAN (R 4.2.0)\n#>    dplyr         1.0.10  2022-09-01 [2] CRAN (R 4.2.0)\n#>  P evaluate      0.16    2022-08-09 [?] CRAN (R 4.2.1)\n#>    fansi         1.0.3   2022-03-24 [2] CRAN (R 4.2.0)\n#>  P farver        2.1.1   2022-07-06 [?] CRAN (R 4.2.1)\n#>  P fastmap       1.1.0   2021-01-25 [?] CRAN (R 4.2.0)\n#>    fs            1.5.2   2021-12-08 [1] CRAN (R 4.2.0)\n#>    generics      0.1.3   2022-07-05 [2] CRAN (R 4.2.0)\n#>  P ggplot2     * 3.4.0   2022-11-04 [?] CRAN (R 4.2.0)\n#>  P glue          1.6.2   2022-02-24 [?] CRAN (R 4.2.0)\n#>  P gtable        0.3.1   2022-09-01 [?] CRAN (R 4.2.1)\n#>  P highr         0.9     2021-04-16 [?] CRAN (R 4.2.1)\n#>  P htmltools     0.5.3   2022-07-18 [?] CRAN (R 4.2.0)\n#>    httr          1.4.4   2022-08-17 [2] CRAN (R 4.2.0)\n#>  P knitr         1.40    2022-08-24 [?] CRAN (R 4.2.0)\n#>  P labeling      0.4.2   2020-10-20 [?] CRAN (R 4.2.1)\n#>    lifecycle     1.0.3   2022-10-07 [2] CRAN (R 4.2.0)\n#>  P magrittr      2.0.3   2022-03-30 [?] CRAN (R 4.2.0)\n#>    mime          0.12    2021-09-28 [2] CRAN (R 4.2.0)\n#>  P munsell       0.5.0   2018-06-12 [?] CRAN (R 4.2.1)\n#>    pillar        1.8.1   2022-08-19 [2] CRAN (R 4.2.0)\n#>    pkgconfig     2.0.3   2019-09-22 [2] CRAN (R 4.2.0)\n#>    pryr        * 0.1.6   2023-01-17 [1] CRAN (R 4.2.0)\n#>    purrr         1.0.1   2023-01-10 [1] CRAN (R 4.2.0)\n#>  P R.cache       0.16.0  2022-07-21 [?] CRAN (R 4.2.0)\n#>  P R.methodsS3   1.8.2   2022-06-13 [?] CRAN (R 4.2.0)\n#>  P R.oo          1.25.0  2022-06-12 [?] CRAN (R 4.2.0)\n#>  P R.utils       2.12.2  2022-11-11 [?] CRAN (R 4.2.0)\n#>  P R6            2.5.1   2021-08-19 [?] CRAN (R 4.2.0)\n#>    Rcpp          1.0.9   2022-07-08 [2] CRAN (R 4.2.0)\n#>    reprex        2.0.2   2022-08-17 [2] CRAN (R 4.2.0)\n#>    rlang         1.0.6   2022-09-24 [1] CRAN (R 4.2.0)\n#>  P rmarkdown     2.16    2022-08-24 [?] CRAN (R 4.2.0)\n#>    rstudioapi    0.14    2022-08-22 [2] CRAN (R 4.2.0)\n#>  P scales        1.2.1   2022-08-20 [?] CRAN (R 4.2.1)\n#>    sessioninfo   1.2.2   2021-12-06 [2] CRAN (R 4.2.0)\n#>  P stringi       1.7.8   2022-07-11 [?] CRAN (R 4.2.0)\n#>  P stringr       1.4.1   2022-08-20 [?] CRAN (R 4.2.0)\n#>  P styler        1.9.0   2023-01-15 [?] CRAN (R 4.2.0)\n#>    tibble        3.1.8   2022-07-22 [2] CRAN (R 4.2.0)\n#>  P tidyselect    1.2.0   2022-10-10 [?] CRAN (R 4.2.0)\n#>    utf8          1.2.2   2021-07-24 [2] CRAN (R 4.2.0)\n#>  P vctrs         0.5.1   2022-11-16 [?] CRAN (R 4.2.0)\n#>    withr         2.5.0   2022-03-03 [2] CRAN (R 4.2.0)\n#>  P xfun          0.33    2022-09-12 [?] CRAN (R 4.2.1)\n#>    xml2          1.3.3   2021-11-30 [2] CRAN (R 4.2.0)\n#>  P yaml          2.3.5   2022-02-21 [?] CRAN (R 4.2.0)\n#> \n#>  [1] /*/optimise-r/renv/library/R-4.2/aarch64-apple-darwin20\n#>  [2] /Library/Frameworks/R.framework/Versions/4.2-arm64/Resources/library\n#> \n#>  P \xe2\x94\x80\xe2\x94\x80 Loaded and on-disk path mismatch.\n#> \n#> \xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\xe2\x94\x80\n

Run Code Online (Sandbox Code Playgroud)\n\n

根据答案和评论中的反馈，我的解释是：

\n

使用分配会导致地址变化少得多，当地址大小y增加到不再通过 R 的小向量池管理，而是通过向操作系统请求额外内存来管理时，地址变化会逐渐减少。我认为这意味着，在处理较大的向量时，R 可以在额外内存请求之间使用分配时就地修改对象使用分配时就地修改对象，并且由于每次迭代中的修改非常小，因此该算法可以运行相当多的迭代无需请求额外的内存。
使用c()会在每次迭代时触发地址更改。然而，我仍然不清楚这是否是因为在内部c()进行了修改y并因此触发了副本，或者是否与分配一个完整的新y元素有关y，而不是分配一个附加元素？

\n

Answer 1

Kev*_*hey 4

R（自版本 3.4.0 起）将为原子向量分配一些额外的内存，因此，如果仍有一些备用容量可用，则通过子分配“增长”此类向量可能不需要重新分配。R 内部手册对此进行了一些讨论；请参阅对向量“truelength”的引用：

https://cran.r-project.org/doc/manuals/r-release/R-ints.html#The-_0027data_0027

https://cran.r-project.org/doc/manuals/r-release/R-ints.html#FOOT3

因此，在过去，普遍的看法是“总是预先分配向量”和“避免 for 循环”，但现在如果向量的最终容量未知，通过子分配来增长向量可能是一个合理的解决方案。

这与函数的字节编译一起意味着一些关于避免 for 循环的常识不再像以前那样正确。（但是，性能最佳的 R 代码通常仍然是函数式风格，或者需要仔细预分配内存/向量并避免频繁分配。）

归档时间：	2 年，9 月前
查看次数：	113 次
最近记录：	2 年，9 月前