1. 因为向量化，我选择R

我们的所有操作，都可以对向量的每一个元素执行。

同样的操作也可以用来取子集：

• 一些使用的注意事项

一般来说，c() 是创建向量的语法，但R 也提供了一些例外：

可不要因为它们养成坏习惯了哦。

2. 尽可能的向量化

我觉得下面的内容讲的更全：

https://www.yuque.com/mugpeng/rr/01r-de-bian-cheng-xiao-lu

这里提一下Vectorize函数，可以将标量（接受单一参数的）函数转换为向量化形式：

if_else_statement <- function(vec_element) {
  if(vec_element == "Fire") {
    vec_element = "hot"
  } else {
    vec_element = "cold"
  }
  return(vec_element)
}
vectorized_if_else <- base::Vectorize(if_else_statement)
test001 <- c(rep("Fire", 100000), rep("Ice", 200000))
system.time(sapply(test001, if_else_statement))
system.time(vectorized_if_else(test001))
system.time(ifelse(test001 == "Fire", "hot", "cold"))

这里顺便再比较了另外两种向量化操作的方式：

> system.time(sapply(test001, if_else_statement))
 用户  系统  流逝 
0.471 0.036 0.669 
> system.time(vectorized_if_else(test001))
 用户  系统  流逝 
0.434 0.020 0.572 
> system.time(ifelse(test001 == "Fire", "hot", "cold"))
 用户  系统  流逝 
0.070 0.005 0.086

这里有人还做了一张图：https://thatdatatho.com/vectorization-r-purrr/#:~:text=base%3A%3AVectorize%20%28%29%20converts%20a%20scalar%20function%20to%20a,vectorize%20functions%20would%20be%20with%20the%20purrr%20package.

可见还是尽量不要用Vectorize 做向量化操作呀。

3. 非向量化的情况

• 输入为上一次输出

但其实有的如cumsum cumprod 等也考虑到了一些基本的运算。

• 应对策略

尽量避免循环和嵌套次数。

4. 过度向量化问题

• apply 的本质

我竟然一直喜爱的apply 其实是：

A common reflex is to use a function in the apply family. This is not vectorization, it is loop-hiding. The apply function has a for loop in its definition.

• 内存的消耗

所以本质还是空间与时间的tradeoff。

• 是否需要优化我的代码

当然了。

但如果，花两小时时间将lapply 修改为doLapply 就为了提高脚本0.1s 的速度，我劝你还不如打两把游戏。

5. 记住这句话