R语言sapply()优化问询：Bootstrap样本计算效率提升方案

你的代码运行慢的核心原因是原sapply写法属于O(N²)时间复杂度的低效操作：对每个j都要遍历整个idx数组做逐元素比对，当N=10000时，单次sapply就要执行1亿次运算，循环100次后运算量直接破100亿，速度自然极慢。下面是针对性的优化方案：

一、替换低效的频次计算 #

原代码中统计Bootstrap样本频次的sapply可以直接用R内置的tabulate()函数替代——这是专门为正整数向量优化的频次统计工具，时间复杂度仅为O(N)：

# 替代原sapply频次计算逻辑
freq <- tabulate(idx, nbins = N)

如果需要保留对应1到N的标签命名，可添加names(freq) <- 1:N，但纯数值向量的运算速度更快。

二、优化分组求和计算 #

原逻辑是按idx分组对vec求和，完全不需要用sapply逐组遍历。基础R里有多个高效工具可选：

方法1：用rowsum()（最快） #

rowsum()专门按分组对向量求和，返回矩阵格式，直接提取前N行即可覆盖所有1到N的分组：

sum_vec <- rowsum(vec, idx)[1:N, , drop = FALSE]

方法2：用tapply()（更简洁） #

tapply()返回命名向量，按1到N的索引提取结果：

sum_vec <- tapply(vec, idx, sum)[1:N]

注：如果某个j在idx中没有出现，结果会是NA，和原sapply逻辑完全一致。

三、整体循环的优化 #

把上述优化代入循环，同时预分配结果存储空间（避免循环内动态扩容的额外开销），最终代码如下：

B <- 100
N <- 10000

# 预分配结果矩阵，避免动态扩容
freq_results <- matrix(NA, nrow = B, ncol = N)
sum_results <- matrix(NA, nrow = B, ncol = N)

set.seed(123) # 可选，保证结果可复现
for (b in 1:B) {
  idx <- sample(1:N, N, replace = TRUE)
  vec <- rnorm(N) # 简化rnorm(1:N)为rnorm(N)，结果完全一致
  
  # 计算频次
  freq_results[b, ] <- tabulate(idx, nbins = N)
  
  # 计算分组求和
  sum_results[b, ] <- rowsum(vec, idx)[1:N, , drop = FALSE]
}

额外提速技巧（针对超大B场景） #

如果B远大于100（比如上千次循环），可以用并行化进一步缩短时间：

library(parallel)
num_cores <- detectCores() - 1 # 留一个核心给系统

# 并行处理循环
results <- mclapply(1:B, function(b) {
  idx <- sample(1:N, N, replace = TRUE)
  vec <- rnorm(N)
  list(
    freq = tabulate(idx, nbins = N),
    sum_vec = rowsum(vec, idx)[1:N, , drop = FALSE]
  )
}, mc.cores = num_cores)

# 整理结果为矩阵
freq_results <- do.call(rbind, lapply(results, `[[`, "freq"))
sum_results <- do.call(rbind, lapply(results, `[[`, "sum_vec"))

内容的提问来源于stack exchange，提问作者wut