内容简介：《R语言编程指南》
《R语言编程指南》
代码性能
简单看函数运行时间，用 system.time()
函数。
高级点，使用 microbenchmark
包的 microbenchmark()
函数。
例如：
library(microbenchmark) x = rnorm(10000) microbenchmark(x) #> Unit: nanoseconds #> expr min lq mean median uq max neval #> x 30 31 47.6 32 32 1561 100
给出了类似 summary()
函数结果的样子，默认计算100次。
代码性能分析
R提供了内置函数 Rprof()
对代码性能进行分析。
使用方法：调用Rprof()开始分析，运行想分析的代码，然后调用Rprof(NULL)停止分析，最后调用summaryRprof()查看分析结果：
x = rnorm(10000)
tmp = tempfile(fileext = ".out")
Rprof(tmp)
for (i in 1:1000) {
cumsum(x)
}
Rprof(NULL)
summaryRprof(tmp)
#> $by.self
#> self.time self.pct total.time total.pct
#> "cumsum" 0.06 100 0.06 100
#>
#> $by.total
#> total.time total.pct self.time self.pct
#> "cumsum" 0.06 100 0.06 100
#> "block_exec" 0.06 100 0.00 0
#> "call_block" 0.06 100 0.00 0
#> "eval.parent" 0.06 100 0.00 0
#> "eval" 0.06 100 0.00 0
#> "evaluate_call" 0.06 100 0.00 0
#> "evaluate::evaluate" 0.06 100 0.00 0
#> "evaluate" 0.06 100 0.00 0
#> "handle" 0.06 100 0.00 0
#> "in_dir" 0.06 100 0.00 0
#> "knitr::knit" 0.06 100 0.00 0
#> "local" 0.06 100 0.00 0
#> "process_file" 0.06 100 0.00 0
#> "process_group.block" 0.06 100 0.00 0
#> "process_group" 0.06 100 0.00 0
#> "rmarkdown::render" 0.06 100 0.00 0
#> "timing_fn" 0.06 100 0.00 0
#> "withCallingHandlers" 0.06 100 0.00 0
#> "withVisible" 0.06 100 0.00 0
#>
#> $sample.interval
#> [1] 0.02
#>
#> $sampling.time
#> [1] 0.06
当 Rprof()
设定 line.profiling = TRUE
时，将改为分析代码行，而不是函数，这有利于分析复杂的计算过程。
高级点，使用RStudio提供的 profvis()
，它是一个交互式可视化的工具。
install.packages("profvis")
提供代码性能
cmpfun()
前两点不细讲了。
使用字节码编译器
如果不是R内置的函数，一般通过字节码进行编译后再使用会提升速度，这里说下流程：
#载入包 library(compiler) #调用函数进行编译 # 假设我们写了一个自定义的sum函数 sum_cmp = cmpfun(sum) # 然后再使用sum_cmp函数
使用并行计算
由于不同的操作系统有不同的线程和线程模型的实现，因此某些功能在 Linux 和MacOS系统与Windows系统不同。
我们先创建一个伪任务，以方便进行并行计算：
simulate = function(x) {
s = 0
for (i in x){
while(i >= 1){
s = i * (i - 1)
i = i - 1
}
}
s
}
system.time(simulate(1:11000)) #> 用户 系统 流逝 #> 7.052 0.023 7.087
在Windows下使用
Windows下需要先创建多个R会话的本地集群：
library(parallel) cl = makeCluster(detectCores())
detectCores()
返回我们计算机有的CPU核数目，然后调用 parLapply()
函数，它是并行版本的 lapply()
函数：
system.time(parLapply(cl, 1:11000, simulate)) #> 用户 系统 流逝 #> 0.008 0.001 4.038
当我们不需要这个集群时，调用 stopCluster()
终止刚才创建的R会话。
注意，当我们使用这种方式进行并行计算时，创建了新的R会话，因此环境里没有用户定义的变量。如果有我们自己的数据，需要提前导入。
使用 clusterExport()
可以将数据导入到集群，使用 clusterEvalQ()
可以在每个集群节点上计算表达式。
或者使用 clusterCall()
和 <<-
在每个节点创建全局变量，而 <-
创建局部变量。
stopCluster() #> Error in defaultCluster(cl): no cluster 'cl' supplied and none is registered
Linux和MacOS使用并行计算
在这两个系统上使用并行计算要比Windows容易的多， mclapply()
可直接将当期R会话分配到多个会话中，保留所有内容，并为每个子会话安排任务，并行运行：
system.time( mclapply(1:1100, simulate, mc.cores = detectCores())) #> 用户 系统 流逝 #> 0.135 0.048 0.073
我们无需导出变量到集群中，因为在每个分配的进程中，它们是可以直接使用的。
我们还可以用非常灵活的方式创建并行作业，例如创建一个生成10个随机数的作业：
job1 = mcparallel(rnorm(10), "job1")
然后调用 mccollect()
函数收集作业结果：
mccollect(job1) #> $`3979` #> [1] -0.0816 0.6930 -0.8022 -1.6354 -1.0508 -0.7526 -1.6807 -1.9063 #> [9] -2.2072 -0.1354
还可以通过编程创建并运行多项作业，例如我们创建8项作业，每个随机休眠一段时间：
jobs = lapply(1:8, function(i){
mcparallel({
t = rbinom(1, 5, 0.6)
Sys.sleep(t)
t
}, paste0("job", i))
})
system.time(res <- mccollect(jobs))
#> 用户 系统 流逝
#> 0.018 0.023 3.921
使用Rcpp
并行计算只有在每次迭代都是独立的情况下才可行，这样最终结果才不会依赖运行顺序，然后并非所有的任务都像这样理想。另一种让算法更快的方式是使用Rcpp（ http://www.rcpp.org ）。
Rcpp是一个扩展包，它使我们能够利用R和C++的无缝整合来编写C++代码。使用Rcpp可以编写C++代码，并且代码中还可以调用R函数，利用R数据结构的优势。
使用Rcpp，先要使用正确的 工具 链，在Windows系统下使用Rtools，在Linux和MacOS下也需要安装正确的C/C++工具链。
然后我们就安装 Rcpp
包：
install.packages("Rcpp")
先在Rcpp目录下创建一个C++源文件：
#include <Rcpp.h>
usingnamespace Rcpp;
// [[Rcpp::export]]
NumericVector timesTwo (NumericVector x){
return x * 2;
}
如果你不熟悉C++语法，可以通过 http://www.learncpp.com 学习最简单的部分。
C++是强类型语言，需要指定函数参数的类型和函数返回的类型。使用[[Rcpp::export]]注释的函数会被Rcpp捕获，当在RStudio中执行一个脚本文件，或者直接使用Rcpp::sourceCpp，这些C++函数将被自动编译并移植到R的工作环境中。
Rcpp::sourceCpp("../../R/Rcpp/rcpp-demo.cpp")
#>
#> > timesTwo(42)
#> [1] 84
timesTwo
#> function (x)
#> .Call(<pointer: 0x112cb3620>, x)
Rcpp官网： http://www.rcpp.org/
一些相关技术与包：
- OpenMP
- RcppParallel
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- AI就是高性能计算
- 高性能计算Lustre性能优化方案
- 英特尔的物联网战役： 聚焦高性能芯片、边缘计算和计算机视觉
- 使用Python提供高性能计算服务
- 气象高性能计算发展的40年
- 戴尔——做你身边的高性能计算助手
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
