R语言期望计算优化：替代低效循环并按列存储结果

首先，R的核心优势是向量化运算，完全不需要用循环处理10万次迭代。下面分两种方案解决你的问题：

方案一：利用数学公式直接计算期望值（最优） #

你的代码本质是计算二项分布下的期望收益，而二项分布的期望有现成公式，不需要逐次计算再求和：

• 设单次抽奖中奖概率为 p = Number.of.draws.year / Raffle.tickets.cap
• 若购买 N 张彩票（对应原代码中的 size=N），则中奖次数的期望是 N*p
• 每张中奖彩票收益200，总期望收益就是 200 * N * p

用这个公式可以直接生成所有N对应的结果，速度极快：

# 定义参数
Number.of.draws.year <- 4032
Raffle.tickets.cap <- 4000000000
p <- Number.of.draws.year / Raffle.tickets.cap

# 生成要测试的N序列（示例：1到100000的整数，可根据需求调整seq参数）
N_seq <- seq(from = 1, to = 100000, by = 1)

# 计算每个N对应的期望收益
expected_values <- 200 * N_seq * p

# 转为数据框：
# 方式1：10万列的结构（不推荐，内存占用极高）
E.value.tickets.df <- as.data.frame(t(expected_values))
colnames(E.value.tickets.df) <- paste0("N_", N_seq)

# 方式2：更合理的两列结构（N值+对应期望，节省内存且易分析）
E.value.tickets.df <- data.frame(N = N_seq, Expected_Value = expected_values)

方案二：向量化计算原循环逻辑（若需保留逐项计算） #

如果必须保留原逻辑（比如后续要扩展计算其他项），可以用向量化的dbinom结合sapply，避免手动循环：

# 定义参数
Number.of.draws.year <- 4032
Raffle.tickets.cap <- 4000000000
p <- Number.of.draws.year / Raffle.tickets.cap

# 生成测试序列
N_seq <- seq(from = 1, to = 100000, by = 1)

# 定义单N的计算函数
compute_expected <- function(N) {
  i <- 1:N
  prob <- dbinom(i, size = N, prob = p)
  gain <- i * 200
  sum(prob * gain)
}

# 批量计算所有N的结果
expected_values <- sapply(N_seq, compute_expected)

# 转为数据框（推荐两列结构）
E.value.tickets.df <- data.frame(N = N_seq, Expected_Value = expected_values)

关键注意事项 #

• 生成10万列的数据框会占用大量内存，除非有特殊业务需求，否则优先选择N值与期望对应的两列结构，既节省内存又便于后续分析。
• 方案一的数学公式是最优解，计算速度比方案二快几个数量级，完全不会出现环境崩溃的问题。

内容的提问来源于stack exchange，提问作者L.at.happy.kinda