提升R語(yǔ)言運(yùn)算效率的11個(gè)實(shí)用方法

眾所周知，當(dāng)我們利用R語(yǔ)言處理大型數(shù)據(jù)集時(shí)，for循環(huán)語(yǔ)句的運(yùn)算效率非常低。有許多種方法可以提升你的代碼運(yùn)算效率，但或許你更想了解運(yùn)算效率能得到多大的提升。本文將介紹幾種適用于大數(shù)據(jù)領(lǐng)域的方法，包括簡(jiǎn)單的邏輯調(diào)整設(shè)計(jì)、并行處理和Rcpp的運(yùn)用，利用這些方法你可以輕松地處理1億行以上的數(shù)據(jù)集。

讓我們嘗試提升往數(shù)據(jù)框中添加一個(gè)新變量過(guò)程(該過(guò)程中包含循環(huán)和判斷語(yǔ)句)的運(yùn)算效率。下面的代碼輸出原始數(shù)據(jù)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)

逐行判斷該數(shù)據(jù)框(df)的總和是否大于4，如果該條件滿足，則對(duì)應(yīng)的新變量數(shù)值為’greaterthan4’，否則賦值為’lesserthan4’。

本文中所有的計(jì)算都在配置了2.6Ghz處理器和8GB內(nèi)存的MAC OS X中運(yùn)行。

1.向量化處理和預(yù)設(shè)數(shù)據(jù)庫(kù)結(jié)構(gòu)

循環(huán)運(yùn)算前，記得預(yù)先設(shè)置好數(shù)據(jù)結(jié)構(gòu)和輸出變量的長(zhǎng)度和類型，千萬(wàn)別在循環(huán)過(guò)程中漸進(jìn)性地增加數(shù)據(jù)長(zhǎng)度。接下來(lái)，我們將探究向量化處理是如何提高處理數(shù)據(jù)的運(yùn)算速度。

2.將條件語(yǔ)句的判斷條件移至循環(huán)外

將條件判斷語(yǔ)句移至循環(huán)外可以提升代碼的運(yùn)算速度，接下來(lái)本文將利用包含100,000行數(shù)據(jù)至1,000,000行數(shù)據(jù)的數(shù)據(jù)集進(jìn)行測(cè)試：

3.只在條件語(yǔ)句為真時(shí)執(zhí)行循環(huán)過(guò)程

另一種優(yōu)化方法是預(yù)先將輸出變量賦值為條件語(yǔ)句不滿足時(shí)的取值，然后只在條件語(yǔ)句為真時(shí)執(zhí)行循環(huán)過(guò)程。此時(shí)，運(yùn)算速度的提升程度取決于條件狀態(tài)中真值的比例。

本部分的測(cè)試將和case(2)部分進(jìn)行比較，和預(yù)想的結(jié)果一致，該方法確實(shí)提升了運(yùn)算效率。

4.盡可能地使用 ifelse()語(yǔ)句

利用ifelse()語(yǔ)句可以使你的代碼更加簡(jiǎn)便。ifelse()的句法格式類似于if()函數(shù)，但其運(yùn)算速度卻有了巨大的提升。即使是在沒(méi)有預(yù)設(shè)數(shù)據(jù)結(jié)構(gòu)且沒(méi)有簡(jiǎn)化條件語(yǔ)句的情況下，其運(yùn)算效率仍高于上述的兩種方法。

5.使用 which()語(yǔ)句

利用which()語(yǔ)句來(lái)篩選數(shù)據(jù)集，我們可以達(dá)到Rcpp三分之一的運(yùn)算速率。

6.利用apply族函數(shù)來(lái)替代for循環(huán)語(yǔ)句

本部分將利用apply()函數(shù)來(lái)計(jì)算上文所提到的案例，并將其與向量化的循環(huán)語(yǔ)句進(jìn)行對(duì)比。該方法的運(yùn)算效率優(yōu)于原始方法，但劣于ifelse()和將條件語(yǔ)句置于循環(huán)外端的方法。該方法非常有用，但是當(dāng)你面對(duì)復(fù)雜的情形時(shí)，你需要靈活運(yùn)用該函數(shù)。

7.利用compiler包中的字節(jié)碼編譯函數(shù)cmpfun()

這可能不是說(shuō)明字節(jié)碼編譯有效性的最好例子，但是對(duì)于更復(fù)雜的函數(shù)而言，字節(jié)碼編譯將會(huì)表現(xiàn)地十分優(yōu)異，因此我們應(yīng)當(dāng)了解下該函數(shù)。

8.利用Rcpp

截至目前，我們已經(jīng)測(cè)試了好幾種提升運(yùn)算效率的方法，其中最佳的方法是利用ifelse()函數(shù)。如果我們將數(shù)據(jù)量增大十倍，運(yùn)算效率將會(huì)變成啥樣的呢?接下來(lái)我們將利用Rcpp來(lái)實(shí)現(xiàn)該運(yùn)算過(guò)程，并將其與ifelse()進(jìn)行比較。

下面是利用C++語(yǔ)言編寫(xiě)的函數(shù)代碼，將其保存為“MyFunc.cpp”并利用sourceCpp進(jìn)行調(diào)用。

9.利用并行運(yùn)算

并行運(yùn)算的代碼：

10.盡早地移除變量并恢復(fù)內(nèi)存容量

在進(jìn)行冗長(zhǎng)的循環(huán)計(jì)算前，盡早地將不需要的變量移除掉。在每次循環(huán)迭代運(yùn)算結(jié)束時(shí)利用gc()函數(shù)恢復(fù)內(nèi)存也可以提升運(yùn)算速率。

11.利用內(nèi)存較小的數(shù)據(jù)結(jié)構(gòu)

data.table()是一個(gè)很好的例子，因?yàn)樗梢詼p少數(shù)據(jù)的內(nèi)存，這有助于加快運(yùn)算速率。

總結(jié)

方法：速度， nrow(df)/time_taken = n 行每秒

原始方法：1X, 856.2255行每秒(正則化為1)

向量化方法：738X, 631578行每秒

只考慮真值情況：1002X，857142.9行每秒

ifelse：1752X，1500000行每秒

which：8806X，7540364行每秒

Rcpp：13476X，11538462行每秒