如何加速 R for 循环？

我正在为 R 中 GWmodel 包中的 gwr.basic 函数运行以下 for 循环。我需要做的是收集任何给定带宽的估计参数的平均值。

代码如下：

library(GWmodel)
data("DubVoter")
#Dub.voter


LARentMean = list()
for (i in 20:21)
{
gwr.res <- gwr.basic(GenEl2004 ~ DiffAdd + LARent + SC1 + Unempl + LowEduc + Age18_24 + Age25_44 + Age45_64, data = Dub.voter, bw = i,  kernel = "bisquare", adaptive = TRUE, F123.test = TRUE)
a <- mean(gwr.res$SDF$LARent)
LARentMean[i] <- a
}
outcome = unlist(LARentMean)

> outcome
[1] -0.1117668 -0.1099969

然而，它返回结果的速度非常慢。我需要更宽的范围，例如 20:200。有没有办法加快这个过程？如果没有，如何设置步进范围（假设为 20 到 200，步长为 5）以减少操作次数？

我是一个刚接触 R 的 Python 用户。我读到 R 因 for 循环速度慢而闻名，并且有更有效的替代方案。欢迎对这一点进行更明确的说明。

我和@musically_ut有同样的印象。 for循环和传统循环for-vs.apply辩论在这里不太可能对你有帮助。如果您有多个核心，请尝试并行化。有几个包，例如parallel or snowfall。哪个包最终是最好和最快的取决于您的机器和操作系统。

在这里，最好并不总是等于最快。跨平台运行的代码比一点额外的性能更有价值。此外，透明度和易用性比最大速度更重要。话虽这么说，我非常喜欢标准解决方案，并建议使用parallel它随 R 一起提供，可在 Windows、OSX 和 Linux 上运行。

编辑：这是使用OP示例的完全可重现的示例。

library(GWmodel)
data("DubVoter")

library(parallel)

bwlist <- list(bw1 = 20, bw2 = 21)


cl <- makeCluster(detectCores())

# load 'GWmodel' for each node
clusterEvalQ(cl, library(GWmodel))

# export data to each node
clusterExport(cl, varlist = c("bwlist","Dub.voter"))

out <- parLapply(cl, bwlist, function(e){
 try(gwr.basic(GenEl2004 ~ DiffAdd + LARent + SC1 +
 Unempl + LowEduc + Age18_24 + Age25_44 +
 Age45_64, data = Dub.voter,
 bw = e,  kernel = "bisquare",
 adaptive = TRUE, F123.test = TRUE  ))

} )


LArent_l <- lapply(lapply(out,"[[","SDF"),"[[","LARent")
unlist(lapply(LArent_l,"mean"))

# finally, stop the cluster
stopCluster(cl)