提升R程式碼運算效率的11中方法
當我們利用R語言處理大型資料集時，for迴圈語句的運算效率非常低。有許多種方法可以提升你的程式碼運算效率，但或許你更想了解運算效率能得到多大的提升。本文將介紹幾種適用於大資料領域的方法，包括簡單的邏輯調整設計、並行處理和Rcpp的運用，利用這些方法你可以輕鬆地處理1億行以上的資料集。
輸出原始資料框：
#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)
> dim(df)
[1] 248832 5
對資料框進行處理：
逐行判斷該資料框(df)的總和是否大於4，如果該條件滿足，則對應的新變數數值為’greaterthan4’，否則賦值為’lesserthan4’。
system.time({
for(i in 1:nrow(df)){
if((df[i, 'col1']+df[i, 'col2']+df[i,'col3']+df[i, 'col4'])>4){
df[i, 5] <- "greater_than_4"
}else{
df[i, 5] <- "lesser_than_4"
}
}
})
# 使用者系統流逝
#180.48 44.64 225.21
1.向量化處理和預設資料庫結構
迴圈運算前，記得預先設定好資料結構和輸出變數的長度和型別，千萬別在迴圈過程中漸進性地增加資料長度。接下來，我們將探究向量化處理是如何提高處理資料的運算速度。
#預分配初始化向量
output<- character(nrow(df))
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$output
})
使用者 系統 流逝
15.61 0.00 15.61
2.將條件語句的判斷條件移至迴圈外
將條件判斷語句移至迴圈外可以提升程式碼的運算速度，接下來本文將利用包含100,000行資料至1,000,000行資料的資料集進行測試：
將條件語句的判斷條件移至迴圈外
# after vectorization and pre-allocation, taking thecondition checking outside the loop.
output <- character(nrow(df))#預分配初始化向量
condition <- (df$col1+df$col2+df$col3+df$col4)>4 # condition check outside the loop
system.time({
for(i in 1:nrow(df)){
if(condition[i]){
output[i] <-"greater_than_4"
}else{
output[i] <- "lesser_than_4"
}
}
df$output <- output
})
使用者 系統 流逝
0.39 0.00 0.40
3、只在條件語句為真時執行迴圈過程
另一種優化方法是預先將輸出變數賦值為條件語句不滿足時的取值，然後只在條件語句為真時執行迴圈過程。此時，運算速度的提升程度取決於條件狀態中真值的比例。
只在條件語句為真時執行迴圈過程
output <- c(rep("lesser_than_4", nrow(df)))#全部初始化為“lesser_than_4”
condition <- (df$col1+df$col2+df$col3+df$col4)>4#大於4為T，小於4為F
system.time({
for(i in (1:nrow(df))[condition]){#對為T的資料進行迴圈
if(condition[i]){
output[i] <-"greater_than_4"
}
}
df$output
})
使用者 系統 流逝
0.33 0.00 0.33
4.儘可能地使用 ifelse()語句：最佳的提升方法
利用ifelse()語句可以使你的程式碼更加簡便。ifelse()的句法格式類似於if()函式，但其運算速度卻有了巨大的提升。即使是在沒有預設資料結構且沒有簡化條件語句的情況下，其運算效率仍高於上述的兩種方法。
system.time({
output <-ifelse((df$col1+df$col2+df$col3+df$col4)>4, "greater_than_4", "lesser_than_4")
df$output <- output
})
使用者 系統 流逝
0.08 0.02 0.10
5.使用 which()語句
利用which()語句來篩選資料集，我們可以達到Rcpp三分之一的運算速率。
system.time({
want <- which(rowSums(df)>4)
output <- rep("less_than_4", times=nrow(df))
output[want] = "greater_than_4"
})
使用者 系統 流逝
0.02 0.00 0.02
system.time({
want <- which(rowSums(df)>4)
df$output <- rep("less_than_4", times=nrow(df))
df$output[want] = "greater_than_4"
})
使用者 系統 流逝
0.01 0.00 0.01
6.利用apply族函式來替代for迴圈語句
本部分將利用apply()函式來計算上文所提到的案例，並將其與向量化的迴圈語句進行對比。該方法的運算效率優於原始方法，但劣於ifelse()和將條件語句置於迴圈外端的方法。該方法非常有用，但是當你面對複雜的情形時，你需要靈活運用該函式。
# 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$output <- output
})
使用者 系統 流逝
1.42 0.00 1.42
7.利用compiler包中的位元組碼編譯函式cmpfun()
這可能不是說明位元組碼編譯有效性的最好例子，但是對於更復雜的函式而言，位元組碼編譯將會表現地十分優異，因此我們應當瞭解下該函式。
# byte code compilation
library(compiler)
myFuncCmp <-cmpfun(myfunc)
system.time({
output <- apply(df[,c(1:4)], 1, FUN =myFuncCmp)
})
使用者 系統 流逝
1.10 0.00 1.09
8.利用Rcpp
截至目前，我們已經測試了好幾種提升運算效率的方法，其中最佳的方法是利用ifelse()函式。如果我們將資料量增大十倍，運算效率將會變成啥樣的呢?接下來我們將利用Rcpp來實現該運算過程，並將其與ifelse()進行比較。
library(Rcpp)
sourceCpp("MyFunc.cpp")
system.time(output <- myFunc(df)) # see Rcpp function below
下面是利用C++語言編寫的函式程式碼，將其儲存為“MyFunc.cpp”並利用sourceCpp進行呼叫。
//Source for MyFunc.cpp
#include
usingnamespace Rcpp;
//[[Rcpp::export]]
CharacterVectormyFunc(DataFrame x) {
NumericVector col1 = as(x["col1"]);
NumericVector col2 = as(x["col2"]);
NumericVector col3 = as(x["col3"]);
NumericVector col4 = as(x["col4"]);
int n = col1.size();
CharacterVector out(n);
for (int i=0; i 4){
out[i] = "greater_than_4";
} else {
out[i] = "lesser_than_4";
}
}
returnout;
}
#注意：此處的C++程式好像是有問題，沒有深入研究，如果為了提升效率，還要寫C++程式，是有點麻煩，很多人不會C++！
9.利用並行運算
#parallel processing
library(foreach)
library(iterators)
library(snow)
library(doSNOW)
cl<- makeCluster(4, type="SOCK") # for 4 cores machine
registerDoSNOW(cl)
condition<- (df$col1 + df$col2 + df$col3 + df$col4) > 4
#parallelization with vectorization
system.time({
output <- foreach(i = 1:nrow(df), .combine=c) %dopar%{
if (condition[i]) {
return("greater_than_4")
} else {
return("lesser_than_4")
}
}
})
df$output<- output
注意：使用此方法一直卡著沒有執行處結果，1000多秒後強制停止！看來R的並行還是有問題的？請高手指點！
10.儘早地移除變數並恢復記憶體容量
在進行冗長的迴圈計算前，儘早地將不需要的變數移除掉。在每次迴圈迭代運算結束時利用gc()函式恢復記憶體也可以提升運算速率。
11.利用記憶體較小的資料結構
data.table()是一個很好的例子，因為它可以減少資料的記憶體，這有助於加快運算速率。
library(data.table)
dt <- data.table(df) #從data.frame建立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"] #分配輸出為第五列
}else{
dt[i,col5:="lesser_than_4"] #分配輸出為第五列
}
}
})
使用者 系統 流逝
431.61 0.01 431.81
注意：此方式提升的效率不明顯，在此次測試中反而沒有data.frame的速度快呢。
總結
方法：速度， nrow(df)/time_taken= n 行每秒
1.原始方法：1X,856.2255行每秒(正則化為1)
2.向量化方法：738X, 631578行每秒
3.只考慮真值情況：1002X，857142.9行每秒
4.ifelse：1752X，1500000行每秒
5.which：8806X，7540364行每秒
6.Rcpp：13476X，11538462行每秒