【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：

1. # Create the data frame
2. col1 <- runif (12^5, 0, 2)
3. col2 <- rnorm (12^5, 0, 2)
4. col3 <- rpois (12^5, 3)
5. col4 <- rchisq (12^5, 2)
6. 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’。

1. # Original R code: Before vectorization and pre-allocation
2. system.time({
3.   for (i in 1:nrow(df)) { # for every row
4.     if ((df[i, 'col1'] + df[i, 'col2'] + df[i, 'col3'] + df[i, 'col4']) > 4) { # check if > 4
5.       df[i, 5] <- "greater_than_4" # assign 5th column
6.     } else {
7.       df[i, 5] <- "lesser_than_4" # assign 5th column
8.     }
9.   }
10. })

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。

1. # after vectorization and pre-allocation
2. output <- character (nrow(df)) # initialize output vector
3. system.time({
4.   for (i in 1:nrow(df)) {
5.     if ((df[i, 'col1'] + df[i, 'col2'] + df[i, 'col3'] + df[i, 'col4']) > 4) {
6.       output[i] <- "greater_than_4"
7.     } else {
8.       output[i] <- "lesser_than_4"
9.     }
10.   }
11. 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：

1. # after vectorization and pre-allocation, taking the condition checking outside the loop.
2. output <- character (nrow(df))
3. condition <- (dfcol1+dfcol2 + dfcol3+dfcol4) > 4  # condition check outside the loop
   
4. system.time({
5.   for (i in 1:nrow(df)) {
6.     if (condition[i]) {
7.       output[i] <- "greater_than_4"
8.     } else {
9.       output[i] <- "lesser_than_4"
10.     }
11.   }
12.   df$output <- output
13. })

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。

1. output <- c(rep("lesser_than_4", nrow(df)))
2. condition <- (dfcol1+dfcol2 + dfcol3+dfcol4) > 4
   
3. system.time({
4.     for (i in (1:nrow(df))[condition]) {  # run loop only for true conditions
5.         if (condition[i]) {
6.             output[i] <- "greater_than_4"
7.         } 
8.     }
9.     df$output 
10. })

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。

1. system.time({
2.   output <- ifelse ((dfcol1+dfcol2 + dfcol3+dfcol4) > 4, "greater_than_4", "lesser_than_4")
   
3.   df$output <- output
4. })

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。

1. # Thanks to Gabe Becker
2. system.time({
3.   want = which(rowSums(df) > 4)
4.   output = rep("less than 4", times = nrow(df))
5.   output[want] = "greater than 4"
6. }) 
7. # nrow = 3 Million rows (approx)
8.    user  system elapsed 
9.   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。

1. # apply family
2. system.time({
3.   myfunc <- function(x) {
4.     if ((x['col1'] + x['col2'] + x['col3'] + x['col4']) > 4) {
5.       "greater_than_4"
6.     } else {
7.       "lesser_than_4"
8.     }
9.   }
10.   output <- apply(df[, c(1:4)], 1, FUN=myfunc)  # apply 'myfunc' on every row
11.   df$output <- output
12. })

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。

1. # byte code compilation
2. library(compiler)
3. myFuncCmp <- cmpfun(myfunc)
4. system.time({
5.   output <- apply(df[, c (1:4)], 1, FUN=myFuncCmp)
6. })

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。

1. library(Rcpp)
2. sourceCpp("MyFunc.cpp")
3. 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。

1. // Source for MyFunc.cpp
2. #include 
3. using namespace Rcpp;
4. // [[Rcpp::export]]
5. CharacterVector myFunc(DataFrame x) {
6.   NumericVector col1 = as(x["col1"]);
7.   NumericVector col2 = as(x["col2"]);
8.   NumericVector col3 = as(x["col3"]);
9.   NumericVector col4 = as(x["col4"]);
10.   int n = col1.size();
11.   CharacterVector out(n);
12.   for (int i=0; i 4){
13.       out[i] = "greater_than_4";
14.     } else {
15.       out[i] = "lesser_than_4";
16.     }
17.   }
18.   return out;
19. }

复制代码

9.利用并行运算

并行运算的代码：

1. # parallel processing
2. library(foreach)
3. library(doSNOW)
4. cl <- makeCluster(4, type="SOCK") # for 4 cores machine
5. registerDoSNOW (cl)
6. condition <- (dfcol1+dfcol2 + dfcol3+dfcol4) > 4
   
7. # parallelization with vectorization
8. system.time({
9.   output <- foreach(i = 1:nrow(df), .combine=c) %dopar% {
10.     if (condition[i]) {
11.       return("greater_than_4")
12.     } else {
13.       return("lesser_than_4")
14.     }
15.   }
16. })
18. 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。

1. dt <- data.table(df)  # create the data.table
2. system.time({
3.   for (i in 1:nrow (dt)) {
4.     if ((dt[i, col1] + dt[i, col2] + dt[i, col3] + dt[i, col4]) > 4) {
5.       dt[i, col5:="greater_than_4"]  # assign the output as 5th column
6.     } else {
7.       dt[i, col5:="lesser_than_4"]  # assign the output as 5th column
8.     }
9.   }
10. })

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