• 提升R代码运算效率的11个实用方法


    提升R代码运算效率的11个实用方法

    众所周知,当我们利用R语言处理大型数据集时,for 循环语句的运算效率非常低。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:

    # 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’ 。

    # 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

      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.将条件语句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:

    # 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。

    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.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。

    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() 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。

    # 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.用 apply 族函数替代 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。

    # 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。

    # 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。

    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。

    // 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.利用并行运算

    并行运算的代码:

    # 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.尽早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。 http://www.cda.cn/view/18841.html

     11.利用内存较小的数据结构

    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。 

    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。

    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
        }
      }
    })

    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

  • 相关阅读:
    uva10129 PlayOnWords(并查集,欧拉回路)
    UVA439 knightMoves (A*启发搜索)
    uva297 Quadtrees (线段树思想,区间操作)
    [uva]AncientMessages象形文字识别 (dfs求连通块)
    [uva816]AbbottsRevenge Abbott的复仇(经典迷宫BFS)
    [dp][uestc]L
    [dp][uestc oj]J
    [uestc oj]H
    [dp uestc oj] G
    [dp]uestc oj 邱老师看电影
  • 原文地址:https://www.cnblogs.com/amengduo/p/9587323.html
Copyright © 2020-2023  润新知