⚡ Bolt: R 성능 최적화 (which.min 및 유니크 카운트)

.jules/bolt.md

@@ -16,3 +16,6 @@
 ## 2025-02-12 - R 언어에서 반복적인 mirt 모델 생성 시 불필요한 데이터프레임 부분집합 추출 최적화
 **Learning:** R에서 데이터프레임의 특정 열을 추출하는 작업(`df[cols]`)은 O(N)의 메모리 복사를 수반합니다. `autoFIPC`에서 `mirt` 모델의 파라미터를 설정하거나 호출하는 과정 중에 `newformXDataK[colnames(newFormModel@Data$data)]` 코드가 반복해서 사용되었고, 심지어 `ncol()`을 위해 단순히 개수를 구할 때도 사용되어 불필요한 메모리 할당과 오버헤드를 초래했습니다.
 **Action:** 조건문이나 반복문 내부에서 불필요하게 데이터프레임 부분집합 연산이 반복되지 않도록 외부에서 한 번만 `linkedFormData <- newformXDataK[colnames(newFormModel@Data$data)]`로 캐싱(caching)한 뒤, `ncol(linkedFormData)`와 `data = linkedFormData` 형태로 재사용하여 메모리 복사와 O(N) 오버헤드를 방지해야 합니다.
+## 2026-08-27 - R 언어에서 불필요한 sort()[1] 및 stats::na.omit() 사용을 제거하여 메모리 할당 및 N log N 연산 방지
+**Learning:** R에서 최솟값을 가지는 원소의 이름을 찾을 때 `names(sort(x))[1L]`를 사용하면 불필요하게 전체 원소를 O(N log N) 시간으로 정렬하게 되며, 유니크한 원소 개수를 셀 때 `length(stats::na.omit(unique(x)))` 또는 `length(unique(stats::na.omit(x)))`를 사용하면 내부적으로 S3 메서드 디스패치 및 na.action 속성 할당으로 인한 오버헤드가 발생합니다.
+**Action:** 최솟값을 찾는 경우 `which.min(x)`를 사용하여 O(N) 선형 탐색으로 최적화하고, 유니크한 NA 제외 원소 개수를 셀 때는 `sum(!is.na(unique(x)))`와 같은 논리 인덱싱의 합계를 사용하여 함수 오버헤드와 불필요한 메모리 할당을 줄여야 합니다.

R/aFIPC.R

@@ -770,8 +770,8 @@ autoFIPC <-
       if (
         !is.na(newFormItemName) &&
         !is.na(oldFormItemName) &&
-          (length(stats::na.omit(unique(newFormModel@Data$data[, newFormItemName]))) ==
-            length(stats::na.omit(unique(oldFormModel@Data$data[, oldFormItemName]))))
+          (sum(!is.na(unique(newFormModel@Data$data[, newFormItemName]))) ==
+            sum(!is.na(unique(oldFormModel@Data$data[, oldFormItemName]))))
       ) {
         message(
           'applying ',

R/surveyFA.R

@@ -83,7 +83,7 @@ surveyFA <- function(
   response_data <- as.data.frame(data)
   response_data <-
     response_data[, vapply(response_data, function(column) {
-      nunique <- length(unique(stats::na.omit(column)))
+      nunique <- sum(!is.na(unique(column)))
       nunique >= 2L
     }, logical(1L))]
 
@@ -232,7 +232,7 @@ surveyFA <- function(
       names(p_values) <- rownames(fit_df)
       if (any(!is.na(p_values))) {
         p_values[is.na(p_values)] <- 1
-        candidate <- names(sort(p_values, decreasing = FALSE))[1L]
+        candidate <- names(which.min(p_values))
         if (!is.na(candidate) && p_values[[candidate]] < pThreshold) {
           return(candidate)
         }