如何在列表中存储while循环的结果？

Question

我知道这是一个非常基本的问题，但我认为我在语法上有困难。 我正在做一个while循环，我想稍后使用结果。但是，我不知道如何将结果存储在列表中。

这是我试图做的while循环的“简短版本”。

z <- 0 
while(z < 10) { 
    z <- z + 1 
    print(z) 
} 

如何将此while循环的结果存储在列表中？

谢谢！

Answer 1

也许这有助于

z <- 0 
res <- c() 
while(z<10) { 
    z <- z+1 
    res <- c(res, z) 
} 

结果是一个向量，而不是一个名单，虽然。而这个实现效率很低。 如果您知道迭代的次数，请按照@Dason和@Martin Morgan的指示进行预分配。

Answer 2

listy <- list() 
z <- 0 
while(z < 10) { 
z <- z + 1 
listy[z] <- z 

print(z) 
} 
> listy 
[[1]] 
[1] 1 

[[2]] 
[1] 2 

[[3]] 
[1] 3 

[[4]] 
[1] 4 

[[5]] 
[1] 5 

[[6]] 
[1] 6 

[[7]] 
[1] 7 

[[8]] 
[1] 8 

[[9]] 
[1] 9 

[[10]] 
[1] 10 

Answer 3

你正在学什么语言？

Java示例：

int List<String> = new List<>(); 

while(z < 10) { List.add(z); z++ } 

Answer 4

将R答案都令人失望，他们使用令人恐惧的“复制并追加”的格局，帕特里克的第二章烧伤的R Inferno。问题是，这使得n *（n-1）/ 2个元素的副本随着矢量强制增长而增加。第一个改进是预先分配和填充，第二个是让R用lapply（list）或vapply（vector）管理事情，第三个是使用实现所需操作的“向量化”函数。

这里有一些不好的实现

f1 <- function(n) { 
    ## BAD, copy and append 
    res <- c() 
    for (i in seq_len(n)) 
     res <- c(res, i) 
    res 
} 
f2 <- function(n) { 
    ## BAD, copy and append 
    res <- c() 
    for (i in seq_len(n)) 
     res[[i]] <- i 
    res 
} 
f3 <- function(n) { 
    ## BAD copy and append 
    res <- c() 
    i <- 0 
    while (i < n) { 
     i <- i + 1 
     res <- c(res, i) 
    } 
} 

和更好的实现，仍然需要用户来管理结果

f4 <- function(n) { 
    ## better, pre-allocate and fill 
    res <- integer(n) 
    for (i in seq_len(n)) 
     res[[i]] <- i 
    res 
} 

然后实现，允许R做的所有工作

f5 <- function(n) 
    ## better, lapply manages allocation 
    sapply(seq_len(n), function(i) i) 
f6 <- function(n) 
    ## better, vapply manages allocation and enforces return type 
    vapply(seq_len(n), function(i) i, integer(1)) 

这是一些时间

library(microbenchmark) 
n <- 100 
microbenchmark(f1(n), f2(n), f3(n), f4(n), f5(n), f6(n)) 
## Unit: microseconds 
## expr  min  lq median  uq  max neval 
## f1(n) 68.857 74.3045 75.5995 76.6050 87.270 100 
## f2(n) 180.174 185.1460 187.1960 191.0030 221.571 100 
## f3(n) 141.022 146.0605 148.0615 151.0435 184.322 100 
## f4(n) 116.976 122.0740 124.8700 127.4540 166.803 100 
## f5(n) 214.319 219.9760 223.4540 227.5000 294.203 100 
## f6(n) 91.871 94.3685 95.4235 96.8335 126.893 100 
n <- 10000 
microbenchmark(f1(n), f2(n), f3(n), f4(n), f5(n), f6(n), times=10) 
## Unit: milliseconds 
## expr  min   lq  median   uq  max neval 
## f1(n) 226.239815 227.871791 229.115319 232.963898 274.052546 10 
## f2(n) 134.979884 135.509744 136.726051 137.707050 152.690075 10 
## f3(n) 185.598667 187.437479 189.442674 210.786491 333.767094 10 
## f4(n) 11.523032 11.676948 11.777627 11.864006 12.099091 10 
## f5(n) 14.670557 14.808911 15.041665 15.158167 15.675638 10 
## f6(n) 8.295519 8.401100 8.424139 8.525598 10.374145 10 

当然对于这个特殊的例子有一个“量化”的解决方案，还要更快

microbenchmark(f6(n), seq_len(n), times=10) 
## Unit: microseconds 
##  expr  min  lq median  uq  max neval 
##  f6(n) 8240.384 9518.9940 9561.2310 9649.877 11427.134 100 
## seq_len(n) 20.624 20.9535 22.0295 22.892 34.461 100