分配和销毁内存需要时间

如果使用bench::press()并设置四个选项，您会感觉到内存分配最多的方法花费的时间最长，正如David Arenburg在注解中所建议的那样。
这四个选项是：

1. outer().
   1.一个for循环。
2. vapply()（来自sindri_baldur的注解）。
3. ``<(rep(x), rep(y))（正是outer()在引擎盖下所做的）。
   我喜欢bench，因为它显示了内存使用情况，图中的每个方面都用n*n矩阵显示了这四种方法的速度，以及垃圾收集的级别。

对于100行，vapply比其他方法慢，并且gc（垃圾收集）没有区别。
但是，一旦数据大于这个值，我们就可以看到vapply()执行的垃圾收集要少得多，而且要快得多。
类似地，在最后一个方面（1e4行和列）中，我们可以看到for循环的垃圾收集较少，而且往往比outer()快。

vapply()使用的RAM最少

你可能会怀疑vapply()的垃圾回收更少，因为它留下了更多的垃圾未回收，然而，如果我们看一下总的RAM使用情况，我们可以看到实际上它使用了outer()的三分之一的RAM：

注意：我不知道在创建一个1x1矩阵时，它实际上是如何使用0字节的--但是如果你真的比较两个标量，你可能根本就不使用矩阵。

垃圾收集级别的含义是什么？

请参阅R Internals一章，写屏障和垃圾收集器：
有三个级别的集合。级别0仅收集最年轻的代，级别1收集两个最年轻的代，级别2收集所有代。在20个级别0集合之后，下一个集合位于级别1，在5个级别1集合之后，下一个集合位于级别2。此外，如果级别n集合无法提供20%的可用空间（对于每个节点和向量堆），下一次收集将在第n +1层（R层函数gc（）执行第2层收集）。
理解这一点的方法是，如果一个函数创建了更多的临时对象，然后销毁它们，那么它将执行更多的分配，并进行更多的垃圾收集。

运行模拟并生成第一个图的代码

sizes <- c(1, 1e2, 1e3, 1e4)

results <- bench::press(
    size = sizes,
    {
        set.seed(1)
        u <- rnorm(size)
        v <- rnorm(size)

        bench::mark(
            min_iterations = 10,
            check = FALSE,
            outer = {
                mat <- outer(u, v, `<`)
            },
            loop = {
                mat <- matrix(NA, nrow = length(u), ncol = length(v))
                for (i in seq_along(v)) {
                    mat[, i] <- u < v[i]
                }
                mat
            },
            vapply = {
                mat <- vapply(seq_along(v), \(i) u < v[i], logical(length(u)))
            },
            seq = {
                mat <- as.matrix(
                    `<`(
                        rep(u, times = ceiling(length(v) / length(u))),
                        rep(v, rep.int(length(u), length(v)))
                    ),
                    nrow = length(u)
                )
            }
        )
    }
)

ggplot2::autoplot(results) +
    ggplot2::facet_wrap(ggplot2::vars(size),scales="free_x")

第二个地块的代码

library(ggplot2)
p  <- results  |>
    dplyr::mutate(
        expr = attr(expression, "description"),
        size = as.factor(size))  |>
    ggplot() +
        geom_col(aes(
            x = reorder(expr, mem_alloc),
            y = mem_alloc,
            fill = size
        ), color= "black") +
        facet_wrap(vars(size), scales="free_y") +
    labs(
        title = "Total RAM usage", 
        y = "Bytes", 
        x = "Expression"
    )

免责声明：这些是在一台机器上的结果（一台不起眼的相当旧的笔记本电脑）。我没有像你一样得到outer()和for循环之间相同大小的差异，所以你的结果可能会不同。