R的适用范围比句法糖更重要吗？

...关于执行时间和/或内存。

如果不正确，请使用代码段进行证明。请注意，通过矢量化进行的加速不计算在内。增速必须来自apply（tapply，sapply，...）本身。

applyR中的函数无法提供比其他循环函数（例如for）更高的性能。这样做的一个例外是lapply，它可能更快一些，因为它在C代码中比在R语言中执行更多的工作（有关此示例，请参见此问题）。

但总的来说，规则是您应该使用apply函数来提高清晰度，而不是为了提高性能。

我还要补充一点，即应用函数没有副作用，这在使用R进行函数编程时是一个重要的区别。这可以通过使用assign或来覆盖<<-，但这可能非常危险。由于变量的状态取决于历史记录，因此副作用也使程序难以理解。

编辑：

为了用一个简单的例子来强调这一点，该例子递归地计算了斐波那契数列；可以多次运行以获得准确的度量，但是要点是，这些方法都没有明显不同的性能：

> fibo <- function(n) {
+   if ( n < 2 ) n
+   else fibo(n-1) + fibo(n-2)
+ }
> system.time(for(i in 0:26) fibo(i))
   user  system elapsed 
   7.48    0.00    7.52 
> system.time(sapply(0:26, fibo))
   user  system elapsed 
   7.50    0.00    7.54 
> system.time(lapply(0:26, fibo))
   user  system elapsed 
   7.48    0.04    7.54 
> library(plyr)
> system.time(ldply(0:26, fibo))
   user  system elapsed 
   7.52    0.00    7.58 

编辑2：

关于R的并行包的使用（例如rpvm，rmpi，snow），它们通常提供apply族功能（即使foreach包名相同，即使包在本质上也等效）。这是中的sapply函数的简单示例snow：

library(snow)
cl <- makeSOCKcluster(c("localhost","localhost"))
parSapply(cl, 1:20, get("+"), 3)

本示例使用套接字集群，无需为其安装任何其他软件。否则，您将需要PVM或MPI之类的东西（请参阅Tierney的群集页面）。 snow具有以下应用功能：

parLapply(cl, x, fun, ...)
parSapply(cl, X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE)
parApply(cl, X, MARGIN, FUN, ...)
parRapply(cl, x, fun, ...)
parCapply(cl, x, fun, ...)

apply应该将函数用于并行执行是有意义的，因为它们没有副作用。在for循环中更改变量值时，将对其进行全局设置。另一方面，apply可以安全地并行使用所有函数，因为更改是函数调用的局部更改（除非您尝试使用assign或<<-，否则可能会带来副作用）。不用说，在局部变量与全局变量之间要特别小心，尤其是在处理并行执行时。

编辑：

这是一个简单的示例，用于说明副作用之间的差异for以及*apply就副作用而言：

> df <- 1:10
> # *apply example
> lapply(2:3, function(i) df <- df * i)
> df
 [1]  1  2  3  4  5  6  7  8  9 10
> # for loop example
> for(i in 2:3) df <- df * i
> df
 [1]  6 12 18 24 30 36 42 48 54 60

请注意df，父环境中的怎么被改变，for但没有改变*apply。

有时，加速可能是相当大的，例如，当您必须嵌套for循环以基于多个因素进行分组以获得平均值时。在这里，您可以通过两种方法获得完全相同的结果：

set.seed(1)  #for reproducability of the results

# The data
X <- rnorm(100000)
Y <- as.factor(sample(letters[1:5],100000,replace=T))
Z <- as.factor(sample(letters[1:10],100000,replace=T))

# the function forloop that averages X over every combination of Y and Z
forloop <- function(x,y,z){
# These ones are for optimization, so the functions 
#levels() and length() don't have to be called more than once.
  ylev <- levels(y)
  zlev <- levels(z)
  n <- length(ylev)
  p <- length(zlev)

  out <- matrix(NA,ncol=p,nrow=n)
  for(i in 1:n){
      for(j in 1:p){
          out[i,j] <- (mean(x[y==ylev[i] & z==zlev[j]]))
      }
  }
  rownames(out) <- ylev
  colnames(out) <- zlev
  return(out)
}

# Used on the generated data
forloop(X,Y,Z)

# The same using tapply
tapply(X,list(Y,Z),mean)

两者均给出完全相同的结果，即平均值为5 x 10的矩阵，并命名为行和列。但是：

> system.time(forloop(X,Y,Z))
   user  system elapsed 
   0.94    0.02    0.95 

> system.time(tapply(X,list(Y,Z),mean))
   user  system elapsed 
   0.06    0.00    0.06 

你去。我赢了什么？;-)

...正如我刚刚在其他地方写的，vapply是您的朋友！...就像sapply，但是您还指定了返回值类型，这使其速度更快。

foo <- function(x) x+1
y <- numeric(1e6)

system.time({z <- numeric(1e6); for(i in y) z[i] <- foo(i)})
#   user  system elapsed 
#   3.54    0.00    3.53 
system.time(z <- lapply(y, foo))
#   user  system elapsed 
#   2.89    0.00    2.91 
system.time(z <- vapply(y, foo, numeric(1)))
#   user  system elapsed 
#   1.35    0.00    1.36 

2020年1月1日更新：

system.time({z1 <- numeric(1e6); for(i in seq_along(y)) z1[i] <- foo(y[i])})
#   user  system elapsed 
#   0.52    0.00    0.53 
system.time(z <- lapply(y, foo))
#   user  system elapsed 
#   0.72    0.00    0.72 
system.time(z3 <- vapply(y, foo, numeric(1)))
#   user  system elapsed 
#    0.7     0.0     0.7 
identical(z1, z3)
# [1] TRUE

我在其他地方写过，像Shane的示例并没有真正强调各种循环语法之间的性能差异，因为时间都花在了函数内，而不是真正强调循环。此外，代码不公平地将for循环与无内存的应用循环返回的值进行比较。这是一个稍微不同的例子，它强调了这一点。

foo <- function(x) {
   x <- x+1
 }
y <- numeric(1e6)
system.time({z <- numeric(1e6); for(i in y) z[i] <- foo(i)})
#   user  system elapsed 
#  4.967   0.049   7.293 
system.time(z <- sapply(y, foo))
#   user  system elapsed 
#  5.256   0.134   7.965 
system.time(z <- lapply(y, foo))
#   user  system elapsed 
#  2.179   0.126   3.301 

如果您打算保存结果，那么申请家庭功能，可很多语法糖多。

（z的简单unlist仅为0.2s，因此lapply更快。在for循环中初始化z相当快，因为​​我给出了6次运行的最后5次的平均值，因此将其移出系统即可。几乎没有影响）

不过，还有一点要注意的是，使用应用族功能的另一个原因独立于其性能，清晰度或没有副作用。一个for循环中一般把促进尽可能多的内循环。这是因为每个循环都需要设置变量来存储信息（以及其他可能的操作）。Apply语句倾向于以其他方式带有偏见。通常，您想对数据执行多种操作，其中一些可以矢量化，但有些可能无法。在R中，与其他语言不同，最好将那些操作分开，然后运行未在apply语句（或函数的矢量化版本）中进行矢量化的操作，以及将矢量化为真实矢量操作的那些操作。这通常可以极大地提高性能。

以乔里斯·梅斯（Joris Meys）为例，他用方便的R函数代替了传统的for循环，我们可以使用它来展示以更R友好的方式编写代码的效率，以实现类似的加速而无需专门的功能。

set.seed(1)  #for reproducability of the results

# The data - copied from Joris Meys answer
X <- rnorm(100000)
Y <- as.factor(sample(letters[1:5],100000,replace=T))
Z <- as.factor(sample(letters[1:10],100000,replace=T))

# an R way to generate tapply functionality that is fast and 
# shows more general principles about fast R coding
YZ <- interaction(Y, Z)
XS <- split(X, YZ)
m <- vapply(XS, mean, numeric(1))
m <- matrix(m, nrow = length(levels(Y)))
rownames(m) <- levels(Y)
colnames(m) <- levels(Z)
m

结束时比for循环快得多，但比内置优化tapply功能慢一点。不是因为它vapply快得多，for而是因为它在循环的每次迭代中仅执行一个操作。在此代码中，所有其他内容均已向量化。在Joris Meys的传统for循环中，每次迭代中都会发生许多（7？）操作，并且有很多设置可以执行。还请注意，它比for版本紧凑得多。

在向量的子集上应用函数时，tapply比for循环快得多。例：

df <- data.frame(id = rep(letters[1:10], 100000),
                 value = rnorm(1000000))

f1 <- function(x)
  tapply(x$value, x$id, sum)

f2 <- function(x){
  res <- 0
  for(i in seq_along(l <- unique(x$id)))
    res[i] <- sum(x$value[x$id == l[i]])
  names(res) <- l
  res
}            

library(microbenchmark)

> microbenchmark(f1(df), f2(df), times=100)
Unit: milliseconds
   expr      min       lq   median       uq      max neval
 f1(df) 28.02612 28.28589 28.46822 29.20458 32.54656   100
 f2(df) 38.02241 41.42277 41.80008 42.05954 45.94273   100

apply，但是，在大多数情况下，速度不会提高，在某些情况下甚至会慢很多：

mat <- matrix(rnorm(1000000), nrow=1000)

f3 <- function(x)
  apply(x, 2, sum)

f4 <- function(x){
  res <- 0
  for(i in 1:ncol(x))
    res[i] <- sum(x[,i])
  res
}

> microbenchmark(f3(mat), f4(mat), times=100)
Unit: milliseconds
    expr      min       lq   median       uq      max neval
 f3(mat) 14.87594 15.44183 15.87897 17.93040 19.14975   100
 f4(mat) 12.01614 12.19718 12.40003 15.00919 40.59100   100

但是，针对这些情况，我们已经有了colSums和rowSums：

f5 <- function(x)
  colSums(x) 

> microbenchmark(f5(mat), times=100)
Unit: milliseconds
    expr      min       lq   median       uq      max neval
 f5(mat) 1.362388 1.405203 1.413702 1.434388 1.992909   100