为何apply比for循环慢？矩阵逐行拟合glm的高效实现咨询

你遇到的这个情况其实挺常见的——不少R用户会默认apply家族函数比手动写for循环高效，但在逐行拟合GLM这类场景下，反而for循环的速度更占优。咱们先从你提供的模拟代码说起，再拆解背后的原因，最后聊聊这类场景下的正确编码方式。

模拟数据与性能对比 #

首先是你用来测试的模拟数据代码：

# 生成模拟数据
response_mat <- matrix(0, 10000, 100)
response_mat <- apply(response_mat, c(1,2), function(x) sample(c(0,1),1))
predictor <- rnorm(100)

For循环实现 #

ptm <- proc.time()
for (i in 1:nrow(response_mat)){
  model <- glm(response_mat[i,]~predictor, family="binomial")
}
proc.time() - ptm

实际运行时，这段代码的耗时通常会明显低于apply版本。

Apply实现 #

glm_function <- function(x){model <- glm(x~predictor, family="binomial")}
ptm <- proc.time()
apply(response_mat, 1, glm_function)
proc.time() - ptm

为什么For循环更快？ #

核心原因在于apply并没有真正的“向量化加速”，反而多了额外的开销：

• 函数调用的额外成本：apply会把每行数据作为参数传递给你定义的glm_function，每一次迭代都多了一层函数调用的开销；而for循环里直接调用glm，省去了这层包装的成本。
• 底层的额外处理：apply本质上是R语言层面的语法糖，底层依然是循环，但它会额外做数据类型转换、结果收集等操作——比如它会把矩阵的每一行转换成单独的向量，再传递给函数，这些步骤都会消耗时间。
• 内存管理差异：apply会自动把所有拟合出的GLM模型收集到一个列表中返回，这个过程中需要不断分配内存来存储模型对象；而你的for循环代码里每次都覆盖model变量，内存压力更小，垃圾回收的频率也更低。

此类场景下的正确编码方式 #

既然for循环本身已经更高效，我们可以在此基础上进一步优化，或者选择更底层的函数来提速：

1. 预先分配结果容器（如果需要保存输出） #

如果你的目标不是只拟合模型，而是要提取系数、预测值等结果，预先分配好存储结果的容器（比如矩阵）可以避免循环中频繁的内存分配，进一步提升速度：

# 预先分配存储系数的矩阵（截距 + predictor系数）
coefs <- matrix(NA, nrow = nrow(response_mat), ncol = 2)

ptm <- proc.time()
for (i in 1:nrow(response_mat)){
  model <- glm(response_mat[i,]~predictor, family="binomial")
  coefs[i,] <- coef(model)
}
proc.time() - ptm

2. 使用底层的glm.fit代替glm #

glm函数包含了很多额外的参数检查、模型诊断信息生成等步骤，如果不需要这些功能，直接调用底层的glm.fit可以大幅提速——它跳过了上层的包装逻辑，只做核心的拟合计算：

# 预先构造设计矩阵（只需做一次）
X <- model.matrix(~predictor)
coefs <- matrix(NA, nrow = nrow(response_mat), ncol = 2)

ptm <- proc.time()
for (i in 1:nrow(response_mat)){
  y <- response_mat[i,]
  fit <- glm.fit(X, y, family = binomial())
  coefs[i,] <- fit$coefficients
}
proc.time() - ptm

3. 若偏好函数式风格，可尝试purrr::map #

如果你更喜欢函数式编程的写法，可以用purrr包的map函数，它的函数调用开销比base R的apply略小，但速度依然不如手动优化的for循环：

library(purrr)

ptm <- proc.time()
models <- map(seq_len(nrow(response_mat)), ~glm(response_mat[.,]~predictor, family="binomial"))
proc.time() - ptm

内容的提问来源于stack exchange，提问作者Esteban