1. 绩效评估
时间的确定
R测量时间是在最简单的方式提供是system.time性能。
system.time(expr, gcFirst=TRUE)
这个函数会在不减少程序执行性能的情况下，执行表达式expr，gcFrist则是指定程序执行前是否先执行垃圾回收。
do.stuff <- function(){
a <- 1:100000
for(i in 1:100000){
a[i] <- a[i]^2
}
a
}
system.time(do.stuff())
监控内存方法
R中函数gc()，有两个功能。一是马上运行一次垃圾清理。二是显示剩余内存的统计信息。
gc()
used是当前使用情况，gc trigger是会触发垃圾回收的值，max used是上次gc()操作或者是此次启动R后使用最大值。(Mb)是Ncells和Vcells的大小转换为Mb单位时的值。
Ncells即cons cells。32位R中占28B，64位R中占56B，我是用的32位的R，所以2616689*28/(1024^2) = 69.9。
Vcells即vector cells。占8B，所以63817864*8/(1024^2) = 486.9。
不是非常懂Ncells和Vcells分别指的是R中的什么对象，网上也没找到非常确切的说法，所以不知道应该怎么去翻译它们，有知道的朋友希望能告知。谢谢！
R中object.size()函数能够查看每一个对象占用内存数。
object.size(1) object.size(train)
R中memory.profile()函数能够查看不同对象类型的内存占用情况。
memory.profile()
只是memory.profile()展示的是Ncells的统计量。能够看到gc()中查到的Ncells使用数跟memory.profiles()的总量很接近。
R中memory.size()函数，能够查看到R使用的内存大小。还能够设置參数max=TRUE，来查看上次gc()操作或者是此次启动R后使用的最大的内存数。
memory.size() memory.size(max=TRUE)
时间性能分析
R中有Rprof()方法，能监控R语言程序中每个操作语句的耗时。
Rprof(filenames=”Rprof.out”,append=FLASE,interval=0.02,memory.profiling=FALSE)
filenames 输出文件路径
append 向已存在文件追加内容还是覆盖已存在文件
interval 採用时间间隔
memory.profiling 是否将内存信息写入文件
启动性能监控是Rprof(filename)
停止性能监控时Rprof()或者Rprof(NULL)
summaryRprof()方法能够查看Rprof()性能採集的结果。
summaryRprof(filenames=”Rprof.out”,chunksize=5000,memory=c(“none”,”both”,”tseries”,”stats”),index=2,diff=TRUE,exclude=NULL)
filenames 输出文件路径
chunksize 一次读取的行数
memory 怎样显示内存消耗信息，各自是不显示，时间和内存信息都显示，一时间序列的方式显示，显示内存消耗统计量。
index 是否将内存的信息写入文件
diff 在内存统计量中是否显示内存使用的变化，或者总的内存消耗
exclude 指定排除在统计结果之外的函数
这个部分不给出具体的样例了，能够看这篇文章里面讲到的性能监控的样例。使用的就是这两个函数：http://blog.fens.me/r-perform-rprof-profr/。
内存性能分析
R中有Rprofmen
Rprofmem(filename = "Rprofmem.out", append =FALSE, threshold = 0)
filenames 输出文件路径
append 向已存在文件追加内容还是覆盖已存在文件
threshold 内存分配大于这个值的才会被记录，单位字节
启动性能监控是Rprofmem (filename)
停止性能监控时Rprofmem ()或者Rprofmem (NULL)
查看执行结果。直接读取filename即可。以下的样例，是函数说明文档中的样例：
Rprofmem("Rprofmem.out", threshold = 1000)
example(glm)
Rprofmem(NULL)
noquote(readLines("Rprofmem.out", n = 5))
2. 优化R代码
使用向量操作
R的一个非常大的特点就是能进行向量操作，相比循环迭代的方法而言，向量操作的效率更高。
square.two <- function(n){
v <- numeric(0)
length(v) <- n
for(i in 1:n){
v[i] <- i^2
}
v
}
square.two (10)
system.time(square.two (10000))
system.time(square.two (100000))
system.time(square.two (1000000))结果例如以下图。能够看出来，消耗的时间随向量长度线性增长。
用向量来实现平方运算这个函数，代码例如以下：
better. square <- function(n){
(1:n)^2
}
better.square (10)
system.time(better.square (10000))
system.time(better.square (100000))
system.time(better.square (1000000))
能够看到。相比前面循环实现方式而言。向量运算快了非常多。
使用内置函数
大部分情况下，内置函数要比自己写的代码性能更好。
R中的内置函数常常由是其它语言（一般是C和Fortran）。实现的编译过的代码，这些函数的执行效率比解释性的R程序强非常多。事实上上面的向量操作也能够看做是使用R的内置函数。不举很多其它的样例了。
内存预分配
频繁地申请内存会加大程序的耗时。这个在非常多编程语言中都是这样。
R语言操作对象不须要提前分配内存，但提前分配好内存能加快执行速度。还是平方运算的样例，提前分配内存和不提前分配内存在数据量大时，执行时间性能上差异非常大。当然。我们已经知道了一个更加快的方式——向量操作。
square.one <- function(n){
v <- numeric(0)
for(i in 1:n){
v[i] <- i^2
}
v
}
square.two <- function(n){
v <- numeric(0)
length(v) <- n
for(i in 1:n){
v[i] <- i^2
}
v
}
查找性能
R语言中，向量查找的方式有非常多。下标查找。名字标签单括号查找，名字标签双括号精确查找。名字标签双括号模糊查找等。
这几种查找方式的时间复杂度：
下标查找：时间复杂度1；
名字标签单括号查找：时间复杂度n；
字标签双括号精确查找（默认）：时间复杂度1。
名字标签双括号模糊查找：时间复杂度1。
这个也是在写R程序过程中。可能提升程序效率的一个地方。
精确查找和模糊查找的说明：
diary <- list(milk="1 gallon",butter="1 pound",eggs=12) diary[["milk"]] diary[["mil"]] diary[["mil",exact=FALSE]]
參考：《R in a Nutshell》。这本书用来做入门书籍非常合适。
无论问题有针对性的建议表示欢迎，转载请注明出处，谢谢。
版权声明：本文博主原创文章，博客，未经同意不得转载。