我想了解功能stats::mahalanobis
。这是它的来源,但请注意最后一行,或更具体地说,rowSums(x %*% cov * x)
部分。
> mahalanobis
function (x, center, cov, inverted = FALSE, ...)
{
x <- if (is.vector(x))
matrix(x, ncol = length(x))
else as.matrix(x)
if (!isFALSE(center))
x <- sweep(x, 2L, center)
if (!inverted)
cov <- solve(cov, ...)
setNames(rowSums(x %*% cov * x), rownames(x))
}
这里x
是n-by-p矩阵,而cov
是p-by-p矩阵。它们的内容对于这个问题的目的无关紧要。
根据该文件,mahalanobis
计算x中所有行的Mahalanobis平方距离。我把它作为一个提示,并找到rowSums(X %*% C * X)
与apply
的对应物。 (如果你不知道我在说什么,那就完全没问题了;这一段只是解释了我如何提出apply
形式)
> X = matrix(rnorm(1:6), nrow = 3)
> C = matrix(rnorm(1:4), nrow = 2)
> rowSums(X %*% C * X)
[1] -0.03377298 0.49306538 -0.16615078
> apply(X, 1, function(row) {
+ t(row) %*% C %*% row
+ })
[1] -0.03377298 0.49306538 -0.16615078
现在问题变成为什么它们相同?我想人们需要做一些聪明的矩阵分区才能理解等价背后的基本原理,但我还没有开明到足以看到它。
就像而不是
sapply(1:5, `*`, 2)
# [1] 2 4 6 8 10
或者我们喜欢的循环
1:5 * 2
# [1] 2 4 6 8 10
因为它是一个完全相同的矢量化解决方案 - 元素倍增,
rowSums(X %*% C * X)
# [1] 0.2484329 0.5583787 0.2303054
可以看出比...更好
apply(X, 1, function(row) t(row) %*% C %*% row)
# [1] 0.2484329 0.5583787 0.2303054
他们俩再次完全一样,只是前者更简洁。
特别是,在我的第一个例子中,我们从标量转向向量,现在我们从向量到矩阵。第一,
X %*% C
# [,1] [,2]
# [1,] 0.7611212 0.6519212
# [2,] -0.4293461 0.6905117
# [3,] 1.2917590 -1.2970376
对应于
apply(X, 1, function(row) t(row) %*% C)
# [,1] [,2] [,3]
# [1,] 0.7611212 -0.4293461 1.291759
# [2,] 0.6519212 0.6905117 -1.297038
现在t(row) %*% C %*% row
的第二个产品做了两件事:1)t(row) %*% C
和row
的元素乘法,2)求和。以同样的方式,*
中的X %*% C * X
做1)和rowSums
进行求和,2)。
因此,在这种情况下,没有改变操作顺序,分区或其他任何东西的重大技巧;它只是利用现有的矩阵运算,为每个行/列重复相同的操作。
额外:
library(microbenchmark)
microbenchmark(rowSums = rowSums(X %*% C * X),
apply = apply(X, 1, function(row) t(row) %*% C %*% row),
times = 100000)
# Unit: microseconds
# expr min lq mean median uq max neval cld
# rowSums 3.565 4.488 5.995129 5.117 5.589 4940.691 1e+05 a
# apply 24.126 26.402 32.539559 27.191 28.615 129234.613 1e+05 b
如果A和B是任何两个适形矩阵,并且a和b是任何两个相同长度的矢量,我们将使用这些事实。第一行说A * B的第一行等于B的第一行A的第一行。第二行说A%*%B的第一行等于A的第一行所有B次。第三行说两个向量的矩阵乘法可以表示为元素乘以它们之和。
(A * B)[i, ] = A[i, ] * B[i, ] by the defintion of elementwise multiplication [1]
(A %*% B)[i, ] = A[i, ] %*% B as taking ith row is same as premultplying by ei [2]
a %*% b = sum(a * b) by definition of %*% [3]
因此我们得到:
rowSums(X %*% C * X)[i]
= sum((X %*% C * X)[i, ])
= sum((X %*% C)[i, ] * X[i, ]) by [1]
= (X %*% C)[i, ] %*% X[i, ] by [3]
= X[i, ] %*% C %*% X[i, ] by [2]
= apply(X, 1, function(row) t(row) %*% C %*% row)[i]