Dodać obiekt do listy w R w czasie stałym, O(1)?

OP (w zaktualizowanej wersji pytania z kwietnia 2012) jest zainteresowany tym, czy istnieje sposób na dodanie do listy w stałym czasie, np. za pomocą kontenera C++ vector<>. Najlepsza odpowiedź?) tutaj do tej pory pokazują tylko względne czasy wykonania dla różnych rozwiązań, biorąc pod uwagę problem o stałej wielkości, ale nie odnoszą się bezpośrednio do żadnego z różnych rozwiązań " algorytmicznej wydajności. Komentarze poniżej wiele odpowiedzi omawiają algorytmiczne efektywność niektórych rozwiązań, ale w każdym przypadku do tej pory (od kwietnia 2015) dochodzą do błędnych wniosków.

Algorytmiczna wydajność rejestruje charakterystykę wzrostu w czasie (czas wykonania) lub przestrzeni (ilość zużywanej pamięci) wraz ze wzrostem rozmiaru problemu. Przeprowadzenie testu wydajności dla różnych rozwiązań, biorąc pod uwagę problem o stałej wielkości, nie uwzględnia tempa wzrostu różnych rozwiązań. OP jest interesuje się tym, czy istnieje sposób dodawania obiektów do listy R w "zamortyzowanym stałym czasie". Co to znaczy? Aby wyjaśnić, najpierw opiszę "stały czas": {]}

• Stała lub O(1) wzrost:

  Jeśli czas potrzebny do wykonania danego zadania pozostaje taki sam jak rozmiar problemu podwaja się, to mówimy, że algorytm wykazuje stały CZAS wzrost, lub podany w notacji "Big O", wykazuje O (1) wzrost czasu. Kiedy OP mówi "amortyzowany" stały czas, on po prostu oznacza "na dłuższą metę"... np. jeśli wykonanie pojedynczej operacji czasami trwa znacznie dłużej niż zwykle(np. jeśli wstępnie przydzielony bufor jest wyczerpany i czasami wymaga zmiany rozmiaru do większego bufora), tak długo, jak długo długoterminowa średnia wydajność jest stała, nadal będziemy ją nazywać O (1).

  Dla porównania opiszę również "czas liniowy" i " kwadrat czas": {]}

• Liniowy lub O (n) wzrost:

  Jeśli czas potrzebny do wykonania danego zadania podwaja się jako rozmiar problemu podwaja się , to mówimy, że algorytm wykazuje czas liniowy , lub O(n) wzrost.

• Kwadratowy lub O (n²) wzrost:

  Jeśli czas potrzebny na wykonanie danego zadania zwiększy się o kwadrat wielkości problemu , mówimy, że algorytm wykazuje Czas kwadratowy , lub O (n²) wzrost.

Istnieje wiele innych klas wydajności algorytmów; odraczam artykuł Wikipedii do dalszej dyskusji.

Dziękuję @CronAcronis za odpowiedź, ponieważ jestem nowy w R i miło było mieć w pełni skonstruowany blok kodu do wykonywania analizy wydajności różnych rozwiązań przedstawionych na tej stronie. Pożyczam jego kod do mojego analiza, którą powielam (zawiniętą w funkcję) poniżej:

library(microbenchmark)
### Using environment as a container
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(substitute(lab))]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj} 
runBenchmark <- function(n) {
    microbenchmark(times = 5,  
        env_with_list_ = {
            listptr <- new.env(parent=globalenv())
            listptr$list <- NULL
            for(i in 1:n) {envAppendList(listptr, i)}
            listptr$list
        },
        c_ = {
            a <- list(0)
            for(i in 1:n) {a = c(a, list(i))}
        },
        list_ = {
            a <- list(0)
            for(i in 1:n) {a <- list(a, list(i))}
        },
        by_index = {
            a <- list(0)
            for(i in 1:n) {a[length(a) + 1] <- i}
            a
        },
        append_ = { 
            a <- list(0)    
            for(i in 1:n) {a <- append(a, i)} 
            a
        },
        env_as_container_ = {
            listptr <- new.env(parent=globalenv())
            for(i in 1:n) {lPtrAppend(listptr, i, i)} 
            listptr
        }   
    )
}

Wyniki opublikowane przez @ CronAcronis zdecydowanie wydają się sugerować, że metoda a <- list(a, list(i)) jest najszybsza, przynajmniej dla rozmiaru problemu 10000, ale wyniki dla pojedynczego rozmiaru problemu nie dotyczą wzrostu rozwiązania. W tym celu musimy przeprowadzić co najmniej dwa testy profilowania, o różnych rozmiarach problemów: [23]}

> runBenchmark(2e+3)
Unit: microseconds
              expr       min        lq      mean    median       uq       max neval
    env_with_list_  8712.146  9138.250 10185.533 10257.678 10761.33 12058.264     5
                c_ 13407.657 13413.739 13620.976 13605.696 13790.05 13887.738     5
             list_   854.110   913.407  1064.463   914.167  1301.50  1339.132     5
          by_index 11656.866 11705.140 12182.104 11997.446 12741.70 12809.363     5
           append_ 15986.712 16817.635 17409.391 17458.502 17480.55 19303.560     5
 env_as_container_ 19777.559 20401.702 20589.856 20606.961 20939.56 21223.502     5
> runBenchmark(2e+4)
Unit: milliseconds
              expr         min         lq        mean    median          uq         max neval
    env_with_list_  534.955014  550.57150  550.329366  553.5288  553.955246  558.636313     5
                c_ 1448.014870 1536.78905 1527.104276 1545.6449 1546.462877 1558.609706     5
             list_    8.746356    8.79615    9.162577    8.8315    9.601226    9.837655     5
          by_index  953.989076 1038.47864 1037.859367 1064.3942 1065.291678 1067.143200     5
           append_ 1634.151839 1682.94746 1681.948374 1689.7598 1696.198890 1706.683874     5
 env_as_container_  204.134468  205.35348  208.011525  206.4490  208.279580  215.841129     5
> 

Przede wszystkim słowo o wartościach min/LQ/mean/median / UQ / max: ponieważ wykonujemy dokładnie to samo zadanie dla każdego z 5 biegów, w idealnym świecie możemy się spodziewać, że zajmie to dokładnie tyle samo czasu dla każdego biegu. Ale pierwsze uruchomienie jest zwykle tendencyjne w kierunku dłuższych czasów ze względu na fakt, że kod, który testujemy, nie jest jeszcze załadowany do pamięci podręcznej procesora. Po pierwszym uruchomieniu spodziewamy się, że czasy będą dość spójne, ale czasami nasz kod może zostać eksmitowany z pamięci podręcznej z powodu przerwań timer tick lub innych przerwań sprzętowych, które nie są związane z kod, który testujemy. Testując urywki kodu 5 razy, pozwalamy na załadowanie kodu do pamięci podręcznej podczas pierwszego uruchomienia, a następnie dajemy każdemu urywkowi 4 szanse na ukończenie bez ingerencji ze strony zdarzeń zewnętrznych. Z tego powodu i dlatego, że tak naprawdę uruchamiamy dokładnie ten sam kod w dokładnie tych samych warunkach wejściowych za każdym razem, rozważymy tylko czasy " min " jako wystarczające dla najlepszego porównania różnych opcji kodu.

Zauważ, że wybrałem do pierwszego uruchomienia z problemem wielkości 2000, a następnie 20000, więc mój rozmiar problemu wzrosła o współczynnik 10 od pierwszego uruchomienia do drugiego.

Wydajność Rozwiązania list: O (1) (stały CZAS)

Spójrzmy najpierw na wzrost rozwiązania list, ponieważ od razu możemy stwierdzić, że jest to najszybsze rozwiązanie w obu przebiegach profilowania: w pierwszym biegu wykonanie 2000 zadań "dołączania" zajęło 854 mikro sekund (0,854 milli sekund. W drugi bieg, zajęło 8.746 milisekund do wykonania 20000" Dołącz " zadań. Naiwny obserwator powiedziałby: "Ah, rozwiązanie list wykazuje wzrost O (n), ponieważ gdy rozmiar problemu wzrósł o współczynnik dziesięciu, tak samo czas potrzebny na wykonanie testu." problem z tą analizą polega na tym, że OP chce szybkości wzrostu pojedynczego obiektu wstawiania, a nie szybkości wzrostu ogólnego problemu. Wiedząc o tym, jest jasne, że rozwiązanie list zapewnia dokładnie to, co OP wants: metoda dodawania obiektów do listy w czasie O(1).

Wydajność innych rozwiązań

Żadne inne rozwiązania nie zbliżają się nawet do prędkości rozwiązania list, ale i tak warto je zbadać: {]}

Większość innych rozwiązań wydaje się być O (n) w wydajności. Na przykład rozwiązanie by_index, bardzo popularne rozwiązanie oparte na częstotliwości, z jaką znajduję je w innych postach SO, zajęło 11.6 milisekund, aby dołączyć 2000 obiektów i 953 milisekundy, aby dołączyć dziesięć razy więcej obiektów. Całkowity czas problemu wzrósł o współczynnik 100, więc naiwny obserwator może powiedzieć "Ah, rozwiązanie by_index wykazuje O(n²) wzrost, ponieważ gdy rozmiar problemu wzrósł o współczynnik dziesięciu, czas potrzebny do wykonania testu wzrósł o współczynnik 100." jak poprzednio, analiza ta jest błędna, ponieważ OP jest zainteresowany wzrostem pojedynczego obiektu wstawiania. Jeśli podzielimy ogólny wzrost czasu przez problem przyrost wielkości, stwierdzamy, że przyrost czasu dodawania obiektów zwiększył się tylko o współczynnik 10, a nie o współczynnik 100, co odpowiada wzrostowi wielkości problemu, więc rozwiązaniem by_index Jest O (n). Nie ma na liście rozwiązań, które wykazują O (n²) wzrost do dodawania jednego obiektu.

W innych odpowiedziach, tylko podejście list powoduje dodanie O(1), ale skutkuje głęboko zagnieżdżoną strukturą listy, a nie zwykłą pojedynczą listą. Użyłem poniższych datastructures, obsługują one dodawania O(1) (amortized) i pozwalają na konwersję wyniku z powrotem do zwykłej listy.

expandingList <- function(capacity = 10) {
    buffer <- vector('list', capacity)
    length <- 0

    methods <- list()

    methods$double.size <- function() {
        buffer <<- c(buffer, vector('list', capacity))
        capacity <<- capacity * 2
    }

    methods$add <- function(val) {
        if(length == capacity) {
            methods$double.size()
        }

        length <<- length + 1
        buffer[[length]] <<- val
    }

    methods$as.list <- function() {
        b <- buffer[0:length]
        return(b)
    }

    methods
}

I

linkedList <- function() {
    head <- list(0)
    length <- 0

    methods <- list()

    methods$add <- function(val) {
        length <<- length + 1
        head <<- list(head, val)
    }

    methods$as.list <- function() {
        b <- vector('list', length)
        h <- head
        for(i in length:1) {
            b[[i]] <- head[[2]]
            head <- head[[1]]
        }
        return(b)
    }
    methods
}

Użyj ich w następujący sposób:

> l <- expandingList()
> l$add("hello")
> l$add("world")
> l$add(101)
> l$as.list()
[[1]]
[1] "hello"

[[2]]
[1] "world"

[[3]]
[1] 101

Te rozwiązania można rozszerzyć na pełne obiekty, które same obsługują operacje związane z listą al, ale że pozostanie jako ćwiczenie dla czytelnika.

Inny wariant dla nazwanej listy:

namedExpandingList <- function(capacity = 10) {
    buffer <- vector('list', capacity)
    names <- character(capacity)
    length <- 0

    methods <- list()

    methods$double.size <- function() {
        buffer <<- c(buffer, vector('list', capacity))
        names <<- c(names, character(capacity))
        capacity <<- capacity * 2
    }

    methods$add <- function(name, val) {
        if(length == capacity) {
            methods$double.size()
        }

        length <<- length + 1
        buffer[[length]] <<- val
        names[length] <<- name
    }

    methods$as.list <- function() {
        b <- buffer[0:length]
        names(b) <- names[0:length]
        return(b)
    }

    methods
}

Benchmarki

Porównanie wydajności przy użyciu kodu @ phonetagger (który jest oparty na kodzie @ Cron Arconis). Dodałem również better_env_as_container i trochę zmieniłem env_as_container_. Oryginał env_as_container_ został uszkodzony i nie przechowuje wszystkich numerów.

library(microbenchmark)
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(lab)]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj} 
env2list <- function(env, len) {
    l <- vector('list', len)
    for (i in 1:len) {
        l[[i]] <- env[[as.character(i)]]
    }
    l
}
envl2list <- function(env, len) {
    l <- vector('list', len)
    for (i in 1:len) {
        l[[i]] <- env[[paste(as.character(i), 'L', sep='')]]
    }
    l
}
runBenchmark <- function(n) {
    microbenchmark(times = 5,  
        env_with_list_ = {
            listptr <- new.env(parent=globalenv())
            listptr$list <- NULL
            for(i in 1:n) {envAppendList(listptr, i)}
            listptr$list
        },
        c_ = {
            a <- list(0)
            for(i in 1:n) {a = c(a, list(i))}
        },
        list_ = {
            a <- list(0)
            for(i in 1:n) {a <- list(a, list(i))}
        },
        by_index = {
            a <- list(0)
            for(i in 1:n) {a[length(a) + 1] <- i}
            a
        },
        append_ = { 
            a <- list(0)    
            for(i in 1:n) {a <- append(a, i)} 
            a
        },
        env_as_container_ = {
            listptr <- new.env(hash=TRUE, parent=globalenv())
            for(i in 1:n) {lPtrAppend(listptr, i, i)} 
            envl2list(listptr, n)
        },
        better_env_as_container = {
            env <- new.env(hash=TRUE, parent=globalenv())
            for(i in 1:n) env[[as.character(i)]] <- i
            env2list(env, n)
        },
        linkedList = {
            a <- linkedList()
            for(i in 1:n) { a$add(i) }
            a$as.list()
        },
        inlineLinkedList = {
            a <- list()
            for(i in 1:n) { a <- list(a, i) }
            b <- vector('list', n)
            head <- a
            for(i in n:1) {
                b[[i]] <- head[[2]]
                head <- head[[1]]
            }                
        },
        expandingList = {
            a <- expandingList()
            for(i in 1:n) { a$add(i) }
            a$as.list()
        },
        inlineExpandingList = {
            l <- vector('list', 10)
            cap <- 10
            len <- 0
            for(i in 1:n) {
                if(len == cap) {
                    l <- c(l, vector('list', cap))
                    cap <- cap*2
                }
                len <- len + 1
                l[[len]] <- i
            }
            l[1:len]
        }
    )
}

# We need to repeatedly add an element to a list. With normal list concatenation
# or element setting this would lead to a large number of memory copies and a
# quadratic runtime. To prevent that, this function implements a bare bones
# expanding array, in which list appends are (amortized) constant time.
    expandingList <- function(capacity = 10) {
        buffer <- vector('list', capacity)
        length <- 0

        methods <- list()

        methods$double.size <- function() {
            buffer <<- c(buffer, vector('list', capacity))
            capacity <<- capacity * 2
        }

        methods$add <- function(val) {
            if(length == capacity) {
                methods$double.size()
            }

            length <<- length + 1
            buffer[[length]] <<- val
        }

        methods$as.list <- function() {
            b <- buffer[0:length]
            return(b)
        }

        methods
    }

    linkedList <- function() {
        head <- list(0)
        length <- 0

        methods <- list()

        methods$add <- function(val) {
            length <<- length + 1
            head <<- list(head, val)
        }

        methods$as.list <- function() {
            b <- vector('list', length)
            h <- head
            for(i in length:1) {
                b[[i]] <- head[[2]]
                head <- head[[1]]
            }
            return(b)
        }

        methods
    }

# We need to repeatedly add an element to a list. With normal list concatenation
# or element setting this would lead to a large number of memory copies and a
# quadratic runtime. To prevent that, this function implements a bare bones
# expanding array, in which list appends are (amortized) constant time.
    namedExpandingList <- function(capacity = 10) {
        buffer <- vector('list', capacity)
        names <- character(capacity)
        length <- 0

        methods <- list()

        methods$double.size <- function() {
            buffer <<- c(buffer, vector('list', capacity))
            names <<- c(names, character(capacity))
            capacity <<- capacity * 2
        }

        methods$add <- function(name, val) {
            if(length == capacity) {
                methods$double.size()
            }

            length <<- length + 1
            buffer[[length]] <<- val
            names[length] <<- name
        }

        methods$as.list <- function() {
            b <- buffer[0:length]
            names(b) <- names[0:length]
            return(b)
        }

        methods
    }

Wynik:

> runBenchmark(1000)
Unit: microseconds
                    expr       min        lq      mean    median        uq       max neval
          env_with_list_  3128.291  3161.675  4466.726  3361.837  3362.885  9318.943     5
                      c_  3308.130  3465.830  6687.985  8578.913  8627.802  9459.252     5
                   list_   329.508   343.615   389.724   370.504   449.494   455.499     5
                by_index  3076.679  3256.588  5480.571  3395.919  8209.738  9463.931     5
                 append_  4292.321  4562.184  7911.882 10156.957 10202.773 10345.177     5
       env_as_container_ 24471.511 24795.849 25541.103 25486.362 26440.591 26511.200     5
 better_env_as_container  7671.338  7986.597  8118.163  8153.726  8335.659  8443.493     5
              linkedList  1700.754  1755.439  1829.442  1804.746  1898.752  1987.518     5
        inlineLinkedList  1109.764  1115.352  1163.751  1115.631  1206.843  1271.166     5
           expandingList  1422.440  1439.970  1486.288  1519.728  1524.268  1525.036     5
     inlineExpandingList   942.916   973.366  1002.461  1012.197  1017.784  1066.044     5
> runBenchmark(10000)
Unit: milliseconds
                    expr        min         lq       mean     median         uq        max neval
          env_with_list_ 357.760419 360.277117 433.810432 411.144799 479.090688 560.779139     5
                      c_ 685.477809 734.055635 761.689936 745.957553 778.330873 864.627811     5
                   list_   3.257356   3.454166   3.505653   3.524216   3.551454   3.741071     5
                by_index 445.977967 454.321797 515.453906 483.313516 560.374763 633.281485     5
                 append_ 610.777866 629.547539 681.145751 640.936898 760.570326 763.896124     5
       env_as_container_ 281.025606 290.028380 303.885130 308.594676 314.972570 324.804419     5
 better_env_as_container  83.944855  86.927458  90.098644  91.335853  92.459026  95.826030     5
              linkedList  19.612576  24.032285  24.229808  25.461429  25.819151  26.223597     5
        inlineLinkedList  11.126970  11.768524  12.216284  12.063529  12.392199  13.730200     5
           expandingList  14.735483  15.854536  15.764204  16.073485  16.075789  16.081726     5
     inlineExpandingList  10.618393  11.179351  13.275107  12.391780  14.747914  17.438096     5
> runBenchmark(20000)
Unit: milliseconds
                    expr         min          lq       mean      median          uq         max neval
          env_with_list_ 1723.899913 1915.003237 1921.23955 1938.734718 1951.649113 2076.910767     5
                      c_ 2759.769353 2768.992334 2810.40023 2820.129738 2832.350269 2870.759474     5
                   list_    6.112919    6.399964    6.63974    6.453252    6.910916    7.321647     5
                by_index 2163.585192 2194.892470 2292.61011 2209.889015 2436.620081 2458.063801     5
                 append_ 2832.504964 2872.559609 2983.17666 2992.634568 3004.625953 3213.558197     5
       env_as_container_  573.386166  588.448990  602.48829  597.645221  610.048314  642.912752     5
 better_env_as_container  154.180531  175.254307  180.26689  177.027204  188.642219  206.230191     5
              linkedList   38.401105   47.514506   46.61419   47.525192   48.677209   50.952958     5
        inlineLinkedList   25.172429   26.326681   32.33312   34.403442   34.469930   41.293126     5
           expandingList   30.776072   30.970438   34.45491   31.752790   38.062728   40.712542     5
     inlineExpandingList   21.309278   22.709159   24.64656   24.290694   25.764816   29.158849     5

Dodałem linkedList i expandingList oraz inlined wersję obu. inlinedLinkedList jest zasadniczo jest to Kopia list_, ale konwertuje również zagnieżdżoną strukturę z powrotem do zwykłej listy. Poza tym różnica między wersjami inlined i non-inlined wynika z narzutu wywołań funkcji.

Wszystkie warianty expandingList i linkedList pokazują o(1) dołączanie wydajności, z czasem odniesienia skalowanie liniowo z liczbą elementów dołączanych. linkedList jest wolniejsza niż expandingList, a także widoczna jest funkcja wywołania overhead. Więc jeśli naprawdę potrzebujesz całej prędkości, jaką możesz uzyskać (i chcesz trzymać się kodu R), użyj wbudowanej wersji expandingList.

Przyjrzałem się również implementacji C R i oba podejścia powinny być o(1) dołączane dla dowolnego rozmiaru, dopóki nie zabraknie pamięci.

Zmieniłem również env_as_container_, Oryginalna wersja przechowywałaby każdy element w indeksie "i", nadpisując wcześniej Dołączony element. better_env_as_container, które dodałem, jest bardzo podobny do env_as_container_, ale bez deparse rzeczy. Oba wykazują o (1) wydajność, ale mają one narzut, który jest nieco większy niż listy połączone / rozszerzające.

Pamięć overhead

W implementacji C R jest narzut 4 słów i 2 intów na alokowany obiekt. Podejście linkedList przydziela jedną listę długości dwóch na każde dołączenie, w sumie (4*8+4+4+2*8=) 56 bajty na Dołączony element na komputerach 64-bitowych(z wyłączeniem nadmiarowych alokacji pamięci, więc prawdopodobnie bliżej 64 bajtów). Podejście expandingList używa jednego słowa na Dołączony element, plus kopię podczas podwajania długość wektora, więc całkowite zużycie pamięci do 16 bajtów na element. Ponieważ pamięć znajduje się w jednym lub dwóch obiektach, overhead dla każdego obiektu jest nieistotny. Nie zajrzałem głęboko w env użycie pamięci, ale myślę, że będzie bliżej linkedList.

W Lispie zrobiliśmy to w ten sposób:

> l <- c(1)
> l <- c(2, l)
> l <- c(3, l)
> l <- rev(l)
> l
[1] 1 2 3

Chociaż to były "minusy", a nie tylko "c". Jeśli chcesz zacząć od listy empy, użyj l

Może chcesz coś takiego?

> push <- function(l, x) {
   lst <- get(l, parent.frame())
   lst[length(lst)+1] <- x
   assign(l, lst, envir=parent.frame())
 }
> a <- list(1,2)
> push('a', 6)
> a
[[1]]
[1] 1

[[2]]
[1] 2

[[3]]
[1] 6

To nie jest zbyt grzeczna funkcja (przypisywanie do parent.frame() jest trochę niegrzeczne), ale IIUYC o to prosisz.

Jeśli podasz zmienną list jako cytowany ciąg znaków, możesz do niej dotrzeć z poziomu funkcji:

push <- function(l, x) {
  assign(l, append(eval(as.name(l)), x), envir=parent.frame())
}

Więc:

> a <- list(1,2)
> a
[[1]]
[1] 1

[[2]]
[1] 2

> push("a", 3)
> a
[[1]]
[1] 1

[[2]]
[1] 2

[[3]]
[1] 3

> 

Lub za dodatkowy kredyt:

> v <- vector()
> push("v", 1)
> v
[1] 1
> push("v", 2)
> v
[1] 1 2
> 

Dokonałem małego porównania wspomnianych tu metod.

n = 1e+4
library(microbenchmark)
### Using environment as a container
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(substitute(lab))]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj} 

microbenchmark(times = 5,  
        env_with_list_ = {
            listptr <- new.env(parent=globalenv())
            listptr$list <- NULL
            for(i in 1:n) {envAppendList(listptr, i)}
            listptr$list
        },
        c_ = {
            a <- list(0)
            for(i in 1:n) {a = c(a, list(i))}
        },
        list_ = {
            a <- list(0)
            for(i in 1:n) {a <- list(a, list(i))}
        },
        by_index = {
            a <- list(0)
            for(i in 1:n) {a[length(a) + 1] <- i}
            a
        },
        append_ = { 
            a <- list(0)    
            for(i in 1:n) {a <- append(a, i)} 
            a
        },
        env_as_container_ = {
            listptr <- new.env(parent=globalenv())
            for(i in 1:n) {lPtrAppend(listptr, i, i)} 
            listptr
        }   
)

Wyniki:

Unit: milliseconds
              expr       min        lq       mean    median        uq       max neval cld
    env_with_list_  188.9023  198.7560  224.57632  223.2520  229.3854  282.5859     5  a 
                c_ 1275.3424 1869.1064 2022.20984 2191.7745 2283.1199 2491.7060     5   b
             list_   17.4916   18.1142   22.56752   19.8546   20.8191   36.5581     5  a 
          by_index  445.2970  479.9670  540.20398  576.9037  591.2366  607.6156     5  a 
           append_ 1140.8975 1316.3031 1794.10472 1620.1212 1855.3602 3037.8416     5   b
 env_as_container_  355.9655  360.1738  399.69186  376.8588  391.7945  513.6667     5  a 

Nie wiem, dlaczego myślisz, że twoja pierwsza metoda nie zadziała. Masz błąd w funkcji lappend: length (list) should be length (lst). Działa to dobrze i zwraca listę z dołączonym obj.

Spróbuj tej funkcji lappend

lappend <- function (lst, ...){
  lst <- c(lst, list(...))
  return(lst)
}

I inne propozycje z tej strony Dodaj named vector do listy

Myślę, że to, co chcesz zrobić, to w rzeczywistości przekazać przez odniesienie (wskaźnik) do funkcji -- utworzyć nowe środowisko (które są przekazywane przez odniesienie do funkcji) z dodaną do niego listą:

listptr=new.env(parent=globalenv())
listptr$list=mylist

#Then the function is modified as:
lPtrAppend <- function(lstptr, obj) {
    lstptr$list[[length(lstptr$list)+1]] <- obj
}

Teraz tylko modyfikujesz istniejącą listę (Nie tworząc Nowej)

Jest to prosty sposób dodawania elementów do listy R:

# create an empty list:
small_list = list()

# now put some objects in it:
small_list$k1 = "v1"
small_list$k2 = "v2"
small_list$k3 = 1:10

# retrieve them the same way:
small_list$k1
# returns "v1"

# "index" notation works as well:
small_list["k2"]

Lub programowo:

kx = paste(LETTERS[1:5], 1:5, sep="")
vx = runif(5)
lx = list()
cn = 1

for (itm in kx) { lx[itm] = vx[cn]; cn = cn + 1 }

print(length(lx))
# returns 5

W rzeczywistości istnieje podzbiór z funkcją c(). Jeśli tak:

x <- list()
x <- c(x,2)
x = c(x,"foo")

Otrzymasz zgodnie z oczekiwaniami:

[[1]]
[1]

[[2]]
[1] "foo"

Ale jeśli dodasz macierz z x <- c(x, matrix(5,2,2), Twoja lista będzie miała kolejne 4 elementy wartości 5! Lepiej zrób:

x <- c(x, list(matrix(5,2,2))

Działa dla każdego innego obiektu i uzyskasz zgodnie z oczekiwaniami:

[[1]]
[1]

[[2]]
[1] "foo"

[[3]]
     [,1] [,2]
[1,]    5    5
[2,]    5    5

W końcu twoja funkcja staje się:

push <- function(l, ...) c(l, list(...))

I działa dla każdego typu obiektu. Możesz być mądrzejszy i robić:

push_back <- function(l, ...) c(l, list(...))
push_front <- function(l, ...) c(list(...), l)

> LL<-list(1:4)

> LL

[[1]]
[1] 1 2 3 4

> LL<-list(c(unlist(LL),5:9))

> LL

[[1]]
 [1] 1 2 3 4 5 6 7 8 9

Jest to bardzo interesujące pytanie i mam nadzieję, że moja myśl poniżej może przyczynić się do rozwiązania go. Ta metoda daje płaską listę bez indeksowania, ale ma listę i unlist, aby uniknąć struktur zagnieżdżania. Nie jestem pewien prędkości, ponieważ Nie wiem, jak ją porównać.

a_list<-list()
for(i in 1:3){
  a_list<-list(unlist(list(unlist(a_list,recursive = FALSE),list(rnorm(2))),recursive = FALSE))
}
a_list

[[1]]
[[1]][[1]]
[1] -0.8098202  1.1035517

[[1]][[2]]
[1] 0.6804520 0.4664394

[[1]][[3]]
[1] 0.15592354 0.07424637

Do walidacji użyłem kodu benchmarka dostarczonego przez @Cron. Jest jedna zasadnicza różnica (oprócz szybszego działania na nowszym procesorze i7): by_list Teraz działa prawie tak dobrze, jak list_:

Unit: milliseconds
              expr        min         lq       mean     median         uq
    env_with_list_ 167.882406 175.969269 185.966143 181.817187 185.933887
                c_ 485.524870 501.049836 516.781689 518.637468 537.355953
             list_   6.155772   6.258487   6.544207   6.269045   6.290925
          by_index   9.290577   9.630283   9.881103   9.672359  10.219533
           append_ 505.046634 543.319857 542.112303 551.001787 553.030110
 env_as_container_ 153.297375 154.880337 156.198009 156.068736 156.800135

Dla odniesienia tutaj jest kod benchmarku skopiowany dosłownie z odpowiedzi @ Cron (na wypadek, gdyby później zmienił zawartość):

n = 1e+4
library(microbenchmark)
### Using environment as a container
lPtrAppend <- function(lstptr, lab, obj) {lstptr[[deparse(substitute(lab))]] <- obj}
### Store list inside new environment
envAppendList <- function(lstptr, obj) {lstptr$list[[length(lstptr$list)+1]] <- obj}

microbenchmark(times = 5,
        env_with_list_ = {
            listptr <- new.env(parent=globalenv())
            listptr$list <- NULL
            for(i in 1:n) {envAppendList(listptr, i)}
            listptr$list
        },
        c_ = {
            a <- list(0)
            for(i in 1:n) {a = c(a, list(i))}
        },
        list_ = {
            a <- list(0)
            for(i in 1:n) {a <- list(a, list(i))}
        },
        by_index = {
            a <- list(0)
            for(i in 1:n) {a[length(a) + 1] <- i}
            a
        },
        append_ = {
            a <- list(0)
            for(i in 1:n) {a <- append(a, i)}
            a
        },
        env_as_container_ = {
            listptr <- new.env(parent=globalenv())
            for(i in 1:n) {lPtrAppend(listptr, i, i)}
            listptr
        }
)

Istnieje również list.append z rlist (link do dokumentacji )

require(rlist)
LL <- list(a="Tom", b="Dick")
list.append(LL,d="Pam",f=c("Joe","Ann"))