眾所周知，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。 讓我們嘗試提升往資料框中新增一個新變數過程(該過程中包含迴圈和判斷語句)的運算效率。下面的程式碼輸出原始資料框： # 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) 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’。 # 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 } } }) 本文中所有的計算都在配置了2.6Ghz處理器和8GB記憶體的MAC OS X中執行。 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。 # 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$output}) 2.將條件語句的判斷條件移至迴圈外 將條件判斷語句移至迴圈外可以提升程式碼的運算速度，接下來本文將利用包含100,000行資料至1,000,000行資料的資料集進行測試： # after vectorization and pre-allocation, taking the condition checking outside the loop. output <- character (nrow(df)) condition <- (df$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 }) 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。 本部分的測試將和case(2)部分進行比較，和預想的結果一致，該方法確實提升了運算效率。 output <- c(rep("lesser_than_4", nrow(df))) condition <- (df$col1 + df$col2 + df$col3 + df$col4) > 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$output }) 4.儘可能地使用 ifelse()語句 利用ifelse()語句可以使你的程式碼更加簡便。ifelse()的句法格式類似於if()函式，但其運算速度卻有了巨大的提升。即使是在沒有預設資料結構且沒有簡化條件語句的情況下，其運算效率仍高於上述的兩種方法。 system.time({ output <- ifelse ((df$col1 + df$col2 + df$col3 + df$col4) > 4, "greater_than_4", "lesser_than_4") df$output <- output }) 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。 # 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 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$output <- output }) 7.利用compiler包中的位元組碼編譯函式cmpfun() 這可能不是說明位元組碼編譯有效性的最好例子，但是對於更復雜的函式而言，位元組碼編譯將會表現地十分優異，因此我們應當瞭解下該函式。 # byte code compilation library(compiler) myFuncCmp <- cmpfun(myfunc) system.time({ output <- apply(df[, c (1:4)], 1, FUN=myFuncCmp) }) 8.利用Rcpp 截至目前，我們已經測試了好幾種提升運算效率的方法，其中最佳的方法是利用ifelse()函式。如果我們將資料量增大十倍，運算效率將會變成啥樣的呢?接下來我們將利用Rcpp來實現該運算過程，並將其與ifelse()進行比較。 library(Rcpp) sourceCpp("MyFunc.cpp") system.time (output <- myFunc(df)) # see Rcpp function below 下面是利用C++語言編寫的函式程式碼，將其儲存為“MyFunc.cpp”並利用sourceCpp進行呼叫。 // Source for MyFunc.cpp  #include  using namespace Rcpp;  // [[Rcpp::export]]  CharacterVector myFunc(DataFrame x) {  NumericVector col1 = as(x["col1"]);  NumericVector col2 = as(x["col2"]);  NumericVector col3 = as(x["col3"]);  NumericVector col4 = as(x["col4"]);  int n = col1.size();  CharacterVector out(n);  for (int i=0; i 4){  out[i] = "greater_than_4";  } else {  out[i] = "lesser_than_4";  }  }  return out;  }  9.利用並行運算 並行運算的程式碼： # parallel processing library(foreach) library(doSNOW) cl <- makeCluster(4, type="SOCK") # for 4 cores machine registerDoSNOW (cl) condition <- (df$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 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。 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 } } }) 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