From 6034b703de6b5d99e795d85d949d8c2981f23223 Mon Sep 17 00:00:00 2001
From: seonghobae <8172694+seonghobae@users.noreply.github.com>
Date: Sun, 19 Jul 2026 19:20:53 +0000
Subject: [PATCH] =?UTF-8?q?=E2=9A=A1=20Bolt:=20R=20=EC=96=B8=EC=96=B4=20?=
 =?UTF-8?q?=EC=B5=9C=EC=86=9F=EA=B0=92=20=ED=83=90=EC=83=89=20=EC=B5=9C?=
 =?UTF-8?q?=EC=A0=81=ED=99=94=20(sort=20=EB=8C=80=EC=8B=A0=20which.min=20?=
 =?UTF-8?q?=EC=82=AC=EC=9A=A9)?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

💡 What: `surveyFA.R`에서 p-value의 최솟값을 찾을 때 사용되던 `sort()` 기반 탐색을 `which.min()`으로 변경했습니다.
🎯 Why: 전체 데이터를 정렬하는 `sort()`는 O(N log N)의 시간 복잡도를 가지며 큰 데이터에서 불필요한 병목을 유발합니다. 이를 `which.min()`으로 대체하여 O(N) 선형 탐색으로 최적화했습니다.
📊 Impact: 데이터의 최솟값 탐색에 필요한 불필요한 메모리 복사와 정렬 오버헤드가 제거되어 빠른 실행이 가능합니다.
🔬 Measurement: 기존 테스트 코드들이 모두 통과되는 것을 확인합니다.
---
 .jules/bolt.md | 3 +++
 R/surveyFA.R   | 3 ++-
 2 files changed, 5 insertions(+), 1 deletion(-)

diff --git a/.jules/bolt.md b/.jules/bolt.md
index 7d3c603..aa9dd8a 100644
--- a/.jules/bolt.md
+++ b/.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.
+## 2025-02-12 - R 언어에서 최솟값 탐색 시 불필요한 정렬 오버헤드 제거
+**Learning:** R에서 벡터의 최솟값을 찾을 때 `sort(x)[1]` 또는 `names(sort(x))[1]`을 사용하면 불필요하게 전체 벡터를 정렬하므로 O(N log N)의 시간 복잡도가 발생합니다.
+**Action:** `which.min(x)`를 사용하여 O(N) 선형 탐색으로 최솟값의 인덱스를 직접 찾아 `names(x)[which.min(x)]` 형태로 접근함으로써 오버헤드를 최적화해야 합니다.
diff --git a/R/surveyFA.R b/R/surveyFA.R
index f60fffd..2f2c23c 100644
--- a/R/surveyFA.R
+++ b/R/surveyFA.R
@@ -232,7 +232,8 @@ 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]
+        # ⚡ Bolt: Use which.min() for O(N) linear scan instead of O(N log N) sort()
+        candidate <- names(p_values)[which.min(p_values)]
         if (!is.na(candidate) && p_values[[candidate]] < pThreshold) {
           return(candidate)
         }