【R】提升R代码运算效率的11个实用方法
低。有许多种方法可以提升你的代码运算效率,但或许你更想了解运算效率能得到多大的提升。本文将介绍几种适用于大数据领域的方法,包括简单的逻辑调整设计、并行处理和Rcpp的运用,利用这些方法你可以轻松地处理1亿行以上的数据集。
让我们尝试提升往数据框中添加一个新变量过程(该过程中包含循环和判断语句)的运算效率。下面的代码输出原始数据框:
- # Create the data frame
- col1 <- runif (12^5, 0, 2)
- col2 <- rnorm (12^5, 0, 2)
- col3 <- rpois (12^5, 3)
- col4 <- rchisq (12^5, 2)
- df <- data.frame (col1, col2, col3, col4)
复制代码
逐行判断该数据框(df)的总和是否大于4,如果该条件满足,则对应的新变量数值为’greaterthan4’,否则赋值为’lesserthan4’。
- # Original R code: Before vectorization and pre-allocation
- system.time({
- for (i in 1:nrow(df)) { # for every row
- if ((df[i, 'col1'] + df[i, 'col2'] + df[i, 'col3'] + df[i, 'col4']) > 4) { # check if > 4
- df[i, 5] <- "greater_than_4" # assign 5th column
- } else {
- df[i, 5] <- "lesser_than_4" # assign 5th column
- }
- }
- })
复制代码
本文中所有的计算都在配置了2.6Ghz处理器和8GB内存的MAC OS X中运行。
1.向量化处理和预设数据库结构
循环运算前,记得预先设置好数据结构和输出变量的长度和类型,千万别在循环过程中渐进性地增加数据长度。接下来,我们将探究向量化处理是如何提高处理数据的运算速度。
- # after vectorization and pre-allocation
- output <- character (nrow(df)) # initialize output vector
- system.time({
- for (i in 1:nrow(df)) {
- if ((df[i, 'col1'] + df[i, 'col2'] + df[i, 'col3'] + df[i, 'col4']) > 4) {
- output[i] <- "greater_than_4"
- } else {
- output[i] <- "lesser_than_4"
- }
- }
- df$output})
复制代码
2.将条件语句的判断条件移至循环外
将条件判断语句移至循环外可以提升代码的运算速度,接下来本文将利用包含100,000行数据至1,000,000行数据的数据集进行测试:
- # after vectorization and pre-allocation, taking the condition checking outside the loop.
- output <- character (nrow(df))
- condition <- (dfcol1+dfcol2 + dfcol3+dfcol4) > 4 # condition check outside the loop
- system.time({
- for (i in 1:nrow(df)) {
- if (condition[i]) {
- output[i] <- "greater_than_4"
- } else {
- output[i] <- "lesser_than_4"
- }
- }
- df$output <- output
- })
复制代码
3.只在条件语句为真时执行循环过程
另一种优化方法是预先将输出变量赋值为条件语句不满足时的取值,然后只在条件语句为真时执行循环过程。此时,运算速度的提升程度取决于条件状态中真值的比例。
本部分的测试将和case(2)部分进行比较,和预想的结果一致,该方法确实提升了运算效率。
- output <- c(rep("lesser_than_4", nrow(df)))
- condition <- (dfcol1+dfcol2 + dfcol3+dfcol4) > 4
- system.time({
- for (i in (1:nrow(df))[condition]) { # run loop only for true conditions
- if (condition[i]) {
- output[i] <- "greater_than_4"
- }
- }
- df$output
- })
复制代码
4.尽可能地使用 ifelse()语句
利用ifelse()语句可以使你的代码更加简便。ifelse()的句法格式类似于if()函数,但其运算速度却有了巨大的提升。即使是在没有预设数据结构且没有简化条件语句的情况下,其运算效率仍高于上述的两种方法。
- system.time({
- output <- ifelse ((dfcol1+dfcol2 + dfcol3+dfcol4) > 4, "greater_than_4", "lesser_than_4")
- df$output <- output
- })
复制代码
5.使用 which()语句
利用which()语句来筛选数据集,我们可以达到Rcpp三分之一的运算速率。
- # Thanks to Gabe Becker
- system.time({
- want = which(rowSums(df) > 4)
- output = rep("less than 4", times = nrow(df))
- output[want] = "greater than 4"
- })
- # nrow = 3 Million rows (approx)
- user system elapsed
- 0.396 0.074 0.481
复制代码
6.利用apply族函数来替代for循环语句
本部分将利用apply()函数来计算上文所提到的案例,并将其与向量化的循环语句进行对比。该方法的运算效率优于原始方法,但劣于ifelse()和将条件语句置于循环外端的方法。该方法非常有用,但是当你面对复杂的情形时,你需要灵活运用该函数。
- # apply family
- system.time({
- myfunc <- function(x) {
- if ((x['col1'] + x['col2'] + x['col3'] + x['col4']) > 4) {
- "greater_than_4"
- } else {
- "lesser_than_4"
- }
- }
- output <- apply(df[, c(1:4)], 1, FUN=myfunc) # apply 'myfunc' on every row
- df$output <- output
- })
复制代码
7.利用compiler包中的字节码编译函数cmpfun()
这可能不是说明字节码编译有效性的最好例子,但是对于更复杂的函数而言,字节码编译将会表现地十分优异,因此我们应当了解下该函数。
- # byte code compilation
- library(compiler)
- myFuncCmp <- cmpfun(myfunc)
- system.time({
- output <- apply(df[, c (1:4)], 1, FUN=myFuncCmp)
- })
复制代码
8.利用Rcpp
截至目前,我们已经测试了好几种提升运算效率的方法,其中最佳的方法是利用ifelse()函数。如果我们将数据量增大十倍,运算效率将会变成啥样的呢?接下来我们将利用Rcpp来实现该运算过程,并将其与ifelse()进行比较。
- library(Rcpp)
- sourceCpp("MyFunc.cpp")
- system.time (output <- myFunc(df)) # see Rcpp function below
复制代码
下面是利用C++语言编写的函数代码,将其保存为“MyFunc.cpp”并利用sourceCpp进行调用。
- // Source for MyFunc.cpp
- #include
- using namespace Rcpp;
- // [[Rcpp::export]]
- CharacterVector myFunc(DataFrame x) {
- NumericVector col1 = as(x["col1"]);
- NumericVector col2 = as(x["col2"]);
- NumericVector col3 = as(x["col3"]);
- NumericVector col4 = as(x["col4"]);
- int n = col1.size();
- CharacterVector out(n);
- for (int i=0; i 4){
- out[i] = "greater_than_4";
- } else {
- out[i] = "lesser_than_4";
- }
- }
- return out;
- }
复制代码
9.利用并行运算
并行运算的代码:
- # parallel processing
- library(foreach)
- library(doSNOW)
- cl <- makeCluster(4, type="SOCK") # for 4 cores machine
- registerDoSNOW (cl)
- condition <- (dfcol1+dfcol2 + dfcol3+dfcol4) > 4
- # parallelization with vectorization
- system.time({
- output <- foreach(i = 1:nrow(df), .combine=c) %dopar% {
- if (condition[i]) {
- return("greater_than_4")
- } else {
- return("lesser_than_4")
- }
- }
- })
- df$output <- output
复制代码
10.尽早地移除变量并恢复内存容量
在进行冗长的循环计算前,尽早地将不需要的变量移除掉。在每次循环迭代运算结束时利用gc()函数恢复内存也可以提升运算速率。
11.利用内存较小的数据结构
data.table()是一个很好的例子,因为它可以减少数据的内存,这有助于加快运算速率。
- dt <- data.table(df) # create the data.table
- system.time({
- for (i in 1:nrow (dt)) {
- if ((dt[i, col1] + dt[i, col2] + dt[i, col3] + dt[i, col4]) > 4) {
- dt[i, col5:="greater_than_4"] # assign the output as 5th column
- } else {
- dt[i, col5:="lesser_than_4"] # assign the output as 5th column
- }
- }
- })
复制代码
总结
方法:速度, nrow(df)/time_taken = n 行每秒
原始方法:1X, 856.2255行每秒(正则化为1)
向量化方法:738X, 631578行每秒
只考虑真值情况:1002X,857142.9行每秒
ifelse:1752X,1500000行每秒
which:8806X,7540364行每秒
Rcpp:13476X,11538462行每秒
原文作者:Selva Prabhakaran
原文链接:http://datartisan.com/article/detail/82.html
译者:fibears
【R】提升R代码运算效率的11个实用方法的更多相关文章
- 提升R代码运算效率的11个实用方法
提升R代码运算效率的11个实用方法 众所周知,当我们利用R语言处理大型数据集时,for 循环语句的运算效率非常低.有许多种方法可以提升你的代码运算效率,但或许你更想了解运算效率能得到多大的提升.本文将 ...
- 提升R代码运算效率的11个实用方法——并行、效率
转载于36大数据,原文作者:Selva Prabhakaran 译者:fibears 众所周知,当我们利用R语言处理大型数据集时,for循环语句的运算效率非常低.有许多种方法可以提升你的代码运算效率 ...
- R︱并行计算以及提高运算效率的方式(parallel包、clusterExport函数、SupR包简介)
要学的东西太多,无笔记不能学~~ 欢迎关注公众号,一起分享学习笔记,记录每一颗"贝壳"~ --------------------------- 终于开始攻克并行这一块了,有点小兴 ...
- iOS:Xcode代码块,提升敲代码的效率
一.代码块在哪里? 看下图 或者 快捷键:command+shift+L 长这样: 二.如何创建代码块: 1.先选中要创建的代码片段,然后点击右键,选中 Create Code Snippet 然后会 ...
- 随机森林入门攻略(内含R、Python代码)
随机森林入门攻略(内含R.Python代码) 简介 近年来,随机森林模型在界内的关注度与受欢迎程度有着显著的提升,这多半归功于它可以快速地被应用到几乎任何的数据科学问题中去,从而使人们能够高效快捷地获 ...
- R语言的日期运算
写hive SQL查询, 需要从导入的参数, 自动累加日期. 从而实现一个自动的,多个日期的统计过程 R语言的日期运算超级简单. > test<-Sys.Date() > test ...
- 决策树ID3原理及R语言python代码实现(西瓜书)
决策树ID3原理及R语言python代码实现(西瓜书) 摘要: 决策树是机器学习中一种非常常见的分类与回归方法,可以认为是if-else结构的规则.分类决策树是由节点和有向边组成的树形结构,节点表示特 ...
- R树-javascript代码实现过程分析(插入操作)
R Tree 第一步,创建R树类. 构建一个RTree生成器.用以创建tree对象. 例子:var tree = new RTree(12) var RTree = function(width){ ...
- R(一): R基础知识
R 是一门拥有统计分析及作图功能的免费软件,主要用于数学建模.统计计算.数据处理.可视化等方向.据 IEEE Spectrum发布的2016年编程语言前10位排名来看,R语言由2015年排名第6位上升 ...
随机推荐
- selenium2.0关于python的常用函数
转: 新建实例driver = webdriver.Chrome() 1.获取当前页面的Url函数 方法:current_url 实例: driver.current_url 2.获取元素坐标 方法: ...
- RMAN性能监控
RMAN性能调优相关视图 视图名 说明 v$rman_backup_job_details 备份job信息 v$backup_async_io 当前正在运行的.最近完成的备份和restore操作的rm ...
- Jquery定位插件,固定元素在页面某个位置,不随滚动条滚动
代码: (function ($) { "use strict"; $.fn.pin = function (options) { var scrollY = 0, element ...
- Python min() 方法
描述 Python min() 方法返回字符串中最小的字母(26个字母中最小的是A). 语法 min() 方法语法: min(S) 参数 S -- 字符串. 返回值 返回字符串中最小的字母. 实例 以 ...
- ps photoshop cc 2015 Extract Assets(生成器)切图大法
Extract Assets 是 Photoshop CC 2014 版本新增的一个特性,主要用来快速导出适用于 Web 和屏幕设计的资源,你可以用它导出 JPG.PNG.GIF,甚至是 SVG 图像 ...
- shell教程一:字符串操作
一:Linux shell字符串截取与拼接 假设有变量 var=http://www.linuxidc.com/123.htm 1 # 号截取,删除左边字符,保留右边字符. echo ${var#* ...
- 用js实现预览待上传的本地图片
js实现预览待上传的本地图片,代码如下: <form name="form5" id="form5" method="post" ac ...
- C#二叉树简易实例
using System; using System.Collections.Generic; using System.Linq; using System.Text; namespace Cons ...
- Cocos2d-x 3.0final 终结者系列教程03-源代码文件夹说明
话说今天从霍营到回龙观,走到天鑫家园东路.我肋哥去,堵死我啦.7:30出门,9:10还没到回龙观. 北京这交通真是坑爹.回过头想想.怪自己走小路,有时候确实快.可有时候真堵. 堵了35分钟后果断掉头, ...
- linux 调试利器gdb, strace, pstack, pstree, lsof
1) 如何使用strace+pstack利器分析程序性能? http://www.cnblogs.com/bangerlee/archive/2012/04/30/2476190.html 此文有详细 ...