- R语言的最大数值
在R语言里面，所能计算的最大数值可以用下面的方法获得：
###R可计算最大数值
.Machine
在编程的时候注意不要超过这个数值。当然，普通情况下也不可能超过的。
- R语言的最大精度
R语言的舍入误差要比python好不少，但是也还是有的。
###最小非零整数
2^-1074
###最大数
2^1023
###机器误差
2^-52 + 1 - 1
2^-53 + 1 - 1 ###比较两个数字
all.equal(2^-12 + 1,2^-13 + 1,tolerance = 1e-7)
上面所谓的机器误差就是不可避免的最小误差，在做运算时会被舍弃。至于在什么情况下舍弃，取决于两个数之间的误差是均方根，系统默认的均方根是10^-8，小于这个值的时候R就会默认它们相等。使用all.equal函数可以自己设定均方根的阈值，即tolerance.
- R语言的时间消耗
###创建向量会更浪费时间
n <- 1e6
x <- rep(0,n)
system.time(for(i in 1:n) x[i] <- i^2)
x <- c()
system.time(for(i in 1:n) x[i] <- i^2)
可以看到时间差距还是很大的。
###矩阵的列求和
###全部使用循环，不使用sum函数
Bmatrix <- matrix(1:1e6,nrow = 1000)
colsums <- rep(NA, ncol(Bmatrix))
system.time(for(i in 1:ncol(Bmatrix)){
s <- 0
for(j in 1:1000){
s <- s + Bmatrix[j,i]
}
colsums[i] <- s
})
###使用apply和sum
system.time(colsums <- apply(Bmatrix,2,sum))
###使用sum和循环
system.time(for(i in 1:ncol(Bmatrix)){
colsums[i] <- sum(Bmatrix[,i])
})
###使用系统函数
system.time(colsums <- colSums(Bmatrix))
上面的结果随着电脑的不同应该是不一样的，但是整体上来看肯定使用系统函数是最快的，其次是用sum函数，但是for和apply的效率是一样的，因为apply本来就是做的循环运算：
###apply里面的for结构/膜拜大佬的代码
ans <- vector("list", d2)
if (length(d.call) < 2L) {
if (length(dn.call))
dimnames(newX) <- c(dn.call, list(NULL))
for (i in 1L:d2) {
tmp <- forceAndCall(1, FUN, newX[, i], ...)
if (!is.null(tmp))
ans[[i]] <- tmp
}
}
else for (i in 1L:d2) {
tmp <- forceAndCall(1, FUN, array(newX[, i], d.call,
dn.call), ...)
if (!is.null(tmp))
ans[[i]] <- tmp
}
###colSums的函数结构
function (x, na.rm = FALSE, dims = 1L)
{
if (is.data.frame(x))
x <- as.matrix(x)
if (!is.array(x) || length(dn <- dim(x)) < 2L)
stop("'x' must be an array of at least two dimensions")
if (dims < 1L || dims > length(dn) - 1L)
stop("invalid 'dims'")
n <- prod(dn[id <- seq_len(dims)])
dn <- dn[-id]
z <- if (is.complex(x))
.Internal(colSums(Re(x), n, prod(dn), na.rm)) + (0+1i) *
.Internal(colSums(Im(x), n, prod(dn), na.rm))
else .Internal(colSums(x, n, prod(dn), na.rm))
if (length(dn) > 1L) {
dim(z) <- dn
dimnames(z) <- dimnames(x)[-id]
}
else names(z) <- dimnames(x)[[dims + 1L]]
z
}
这个代码。。。里面还调用的colSums，有没有童鞋可以帮我解释一下这是为啥。