如何加速R语言中混合数据的(n,m)规模Gower距离矩阵填充？

核心优化思路：用向量化/内置函数替代显式循环 #

R的嵌套循环是代码低效的核心原因，以下是可直接落地的优化手段，无需复杂结构：

1. 拆分数据类型，批量计算各类型距离 #

Gower距离对数值、分类变量逻辑不同，拆分后分别计算再加权合并：

• 数值型变量：利用内置dist()函数（底层C实现）快速计算归一化距离

  # num_data为数值型变量矩阵
  num_ranges <- apply(num_data, 2, function(x) max(x) - min(x))
  num_scaled <- scale(num_data, center = FALSE, scale = num_ranges)
  # 曼哈顿距离除以变量数，等价于Gower数值部分
  num_dist <- as.matrix(dist(num_scaled, method = "manhattan")) / ncol(num_data)
  

• 分类型变量：转哑变量后用汉明距离计算匹配比例

  # cat_data为分类型变量矩阵（已转因子）
  cat_dummy <- model.matrix(~ . -1, data = as.data.frame(cat_data))
  # 汉明距离除以2倍分类变量数，得到Gower分类部分
  cat_dist <- as.matrix(dist(cat_dummy, method = "manhattan")) / (2 * ncol(cat_data))
  

• 按变量数量加权合并（默认各类型权重相等）：

  total_vars <- ncol(num_data) + ncol(cat_data)
  gower_dist <- (num_dist * ncol(num_data) + cat_dist * ncol(cat_data)) / total_vars
  

2. 减少对称矩阵的重复计算 #

Gower距离矩阵是对称的，仅计算上三角（或下三角）再复制，直接减半计算量：

n <- nrow(your_data)
gower_dist <- matrix(0, nrow = n, ncol = n)
# 仅计算i < j的部分
for(i in 1:(n-1)){
  for(j in (i+1):n){
    # 这里替换为你拆分后的单对观测Gower计算逻辑
    dist_val <- calculate_single_gower(your_data[i,], your_data[j,])
    gower_dist[i,j] <- dist_val
    gower_dist[j,i] <- dist_val
  }
}

3. 数据类型底层优化 #

• 分类变量转为factor类型，R对因子的比较效率远高于字符型；
• 所有变量用matrix存储，矩阵的元素访问、运算速度远超data.frame。

交叉验证适配建议 #

• 折内计算：每次交叉验证仅针对当前折的观测计算距离矩阵，避免全局大矩阵的内存占用；
• 预计算复用：若内存允许，预先计算全量数据的距离矩阵，交叉验证时直接提取对应折的子矩阵，减少重复计算。

内容的提问来源于stack exchange，提问作者Michał Mazur