R循环中的内存(分配/释放)优化：如何复用内存避免重复分配？

要解决重复计算p*(1-p)时的内存重复分配和GC问题，核心思路是复用已预分配的pq内存空间，而非每次创建新对象。以下是几种可行的实现方式：

1. 预分配+原地赋值（基础高效方案） #

先一次性分配好pq的内存空间，后续计算时通过[]运算符直接原地修改内容，不创建新对象：

# 初始化：预分配与p长度匹配的空向量
p <- runif(1e8)
pq <- numeric(length(p))

# 第一次计算（原地写入）
pq[] <- p*(1-p)

# 后续重复调用（传入新的p，复用pq内存）
p_new <- runif(1e8)
pq[] <- p_new*(1-p_new)

原理：pq[] <- ...会直接将计算结果写入pq已有的内存块，不会触发新的内存分配，旧的pq也不会被标记为垃圾，从而彻底避免重复分配和GC开销。

2. Rcpp原地修改（极致性能方案） #

如果追求最高性能，可通过Rcpp直接操作内存，完全消除R层面的对象复制：

#include <Rcpp.h>
using namespace Rcpp;

// [[Rcpp::export]]
void compute_pq_inplace(NumericVector p, NumericVector pq) {
  int n = p.size();
  for (int i = 0; i < n; ++i) {
    pq[i] = p[i] * (1 - p[i]);
  }
}

调用方式：

# 预分配pq
p <- runif(1e8)
pq <- numeric(length(p))

# 第一次计算
compute_pq_inplace(p, pq)

# 后续复用pq
p_new <- runif(1e8)
compute_pq_inplace(p_new, pq)

这种方式完全绕过R的赋值机制，直接在内存层面修改，GC压力几乎为0，适合超大规模数据的高频计算场景。

效果验证 #

用profvis测试两次计算的情况：

profvis::profvis({
  p <- runif(1e8)
  pq <- numeric(length(p))
  for(i in 1:2) {
    pq[] <- p*(1-p)
  }
})

对比原代码，会发现内存占用稳定，<GC>耗时占比大幅降低，总运行时间明显减少。

内容的提问来源于stack exchange，提问作者Zachary