如何用Apply函数替代循环对向量q和n执行binom.test？

嘿，作为R新手就能想到用apply来优化循环，这思路特别好！你的循环逻辑没问题，但确实存在效率瓶颈——每次用c(p, ...)扩展向量时，R都会重新创建一个新向量并复制旧数据，当向量长度变大时（远超过30），这种操作会越来越慢。用apply家族的函数能帮你解决这个问题，而且代码更简洁。

最适合的方案：mapply() #

因为你是对两个向量q和n的对应元素逐对操作，mapply()（多变量版的apply）正好是为这种场景设计的。直接把两个向量传进去，它会自动按位置配对元素，逐个执行binom.test并提取p值：

# 先假设你的q和n已经定义好，比如示例数据：
q <- c(3, 7, 12, 18)  
n <- c(10, 15, 25, 30)

# 用mapply批量计算p值
p_values <- mapply(function(q_t, n_t) {
  binom.test(q_t, n_t, p = 0.5)$p.value
}, q, n)

另一种tidyverse风格的方案：purrr::map2_dbl() #

如果你以后会用到tidyverse生态，purrr包的map2_dbl()写法更直观，专门处理两个输入的逐元素操作，_dbl后缀还能直接返回数值向量：

library(purrr)

p_values <- map2_dbl(q, n, ~binom.test(.x, .y, p = 0.5)$p.value)

为什么这比循环高效？ #

• 你的原始循环中，p = c(p, ...)每次都会重新分配内存并复制已有数据，数据量越大，耗时越多；
• mapply和map2_dbl都会预先计算结果的长度，一次性分配足够的内存，避免了重复复制的开销，运行速度会明显更快（尤其是当向量长度超过几百甚至几千的时候）。

验证结果一致性 #

你可以用all.equal()函数对比两种方法的结果，确保和原来的循环输出一致：

# 原来的循环代码
p_old <- c()
for(t in 1:length(q)) {
  p_old <- c(p_old, binom.test(q[t], n[t], 0.5)$p.value)
}

# 检查是否一致
all.equal(p_old, p_values)

内容的提问来源于stack exchange，提问作者AKA