优化R语言代码：基于投票数据批量填充政党字段

原代码的性能瓶颈集中在嵌套循环、频繁向量拼接（c()）和重复子集索引上，针对1300万行的大数据量，以下是几种高效优化方案：

方案1：使用data.table（性能最优，适配超大数据） #

data.table的分组操作和内存效率远优于基础R循环，直接按省份批量生成对应比例的party值：

library(data.table)

# 转换为data.table格式
setDT(df0)
setDT(votes)

# 统计每个省份的样本量
prov_counts = df0[, .N, by = geo_prov]

# 合并得票比例与样本量，计算每个政党需生成的数量
votes_with_counts = votes[prov_counts, on = "geo_prov"]
votes_with_counts[, n := floor(prop * N)]

# 按省份批量生成party列表并填充回原数据
df0[, party := votes_with_counts[.SD, on = "geo_prov", 
                                 rep(party, n), by = .EACHI]$V1]

方案2：使用dplyr（代码易读，适配tidyverse用户） #

利用dplyr的分组与批量生成操作，彻底替代循环：

library(dplyr)

# 统计每个省份的样本量
prov_counts = df0 %>%
  count(geo_prov, name = "n_prov")

# 生成各省份的party分配列表
vote_assignments = votes %>%
  left_join(prov_counts, by = "geo_prov") %>%
  mutate(n = floor(prop * n_prov)) %>%
  rowwise() %>%
  mutate(party_list = list(rep(party, n))) %>%
  ungroup() %>%
  group_by(geo_prov) %>%
  summarise(party_all = list(unlist(party_list)))

# 合并回原数据并填充
df0 = df0 %>%
  left_join(vote_assignments, by = "geo_prov") %>%
  mutate(party = unlist(party_all)) %>%
  select(-party_all)

方案3：基础R向量化优化（无需额外包） #

通过预计算所有省份的分配规则，一次性生成结果：

# 统计每个省份的样本量
prov_counts = table(df0$geo_prov)

# 预生成每个省份的party分配向量
party_assignments = lapply(names(prov_counts), function(prov) {
  n = prov_counts[prov]
  prov_votes = votes[votes$geo_prov == prov, ]
  rep(prov_votes$party, floor(prov_votes$prop * n))
})

# 按原数据省份顺序匹配填充
df0$party = unlist(sapply(match(df0$geo_prov, names(prov_counts)), 
                          function(i) party_assignments[[i]]))

优化核心逻辑 #

• 替换嵌套循环：用底层优化的分组操作替代手动循环，大幅提升计算效率
• 减少内存浪费：避免c()频繁扩容向量的低效操作，一次性生成目标长度的向量
• 消除重复计算：仅计算一次省份样本量与得票比例的匹配，避免原代码中反复的子集索引操作

内容的提问来源于stack exchange，提问作者Tom