通过这一点,对方答复工作后,优化策略(和近似加速),这里似乎是
- (30X)选择适当的数据表示 - 矩阵,而不是data.frame
- (1.5倍)减少不必要的数据副本 - 列差异,而不是rowMeans的
- 结构for循环作为
*apply
函数(强调码结构,简化存储器管理,以及提供类型一致性)
- (2×) H oist矢量操作外部循环 - abs和列上的总和变为矩阵上的abs和colSums
整体加速大约100x。对于代码的这种大小和复杂性,编译器或并行包的使用将不会有效。
我把你的代码放到一个函数
f0 <- function(x) {
y <- rowMeans(x)
totaldiff <- numeric()
for (i in 1:ncol(x)){
x.after <- x
x.after[,i] <- sample(x[,i])
diff <- abs(y-rowMeans(x.after))
totaldiff[i] <- sum(diff)
}
which.max(totaldiff)
}
,并在这里我们有
x <- data.frame(matrix(runif(50*100),nrow=50,ncol=100)) #larger example
set.seed(123)
system.time(res0 <- f0(x))
## user system elapsed
## 1.065 0.000 1.066
您的数据可以表示为一个矩阵,R上的矩阵操作比上data.frames快。
m <- matrix(runif(50*100),nrow=50,ncol=100)
set.seed(123)
system.time(res0.m <- f0(m))
## user system elapsed
## 0.036 0.000 0.037
identical(res0, res0.m)
##[1] TRUE
这可能是最大的加速。但对于这里的具体操作,我们并不需要从洗牌一列
f1 <- function(x) {
y <- rowMeans(x)
totaldiff <- numeric()
for (i in 1:ncol(x)){
diff <- abs(sample(x[,i]) - x[,i])/ncol(x)
totaldiff[i] <- sum(diff)
}
which.max(totaldiff)
}
的for
循环没有按照正确的方式填充计算更新矩阵,只是在平均变化的行手段结果向量totaldiff
(你想“预先分配和填充”,所以totaldiff <- numeric(ncol(x))
),但我们可以使用sapply
并让R担心(这种内存管理是使用apply系列函数的优势之一)
f2 <- function(x) {
totaldiff <- sapply(seq_len(ncol(x)), function(i, x) {
sum(abs(sample(x[,i]) - x[,i])/ncol(x))
}, x)
which.max(totaldiff)
}
set.seed(123); identical(res0, f1(m))
set.seed(123); identical(res0, f2(m))
时间是
> library(microbenchmark)
> microbenchmark(f0(m), f1(m), f2(m))
Unit: milliseconds
expr min lq median uq max neval
f0(m) 32.45073 33.07804 33.16851 33.26364 33.81924 100
f1(m) 22.20913 23.87784 23.96915 24.06216 24.66042 100
f2(m) 21.02474 22.60745 22.70042 22.80080 23.19030 100
@flodel指出vapply
可以更快(并提供类型安全)
f3 <- function(x) {
totaldiff <- vapply(seq_len(ncol(x)), function(i, x) {
sum(abs(sample(x[,i]) - x[,i])/ncol(x))
}, numeric(1), x)
which.max(totaldiff)
}
和
f4 <- function(x)
which.max(colSums(abs((apply(x, 2, sample) - x))))
仍然较快(ncol(x)
是一个常数因子,因此移除) - abs
和sum
在sapply
之外悬挂,可能会增加内存使用量。在评论中编写函数的建议总的来说是很好的;这里有一些进一步的时序
> microbenchmark(f0(m), f1(m), f1.c(m), f2(m), f2.c(m), f3(m), f4(m))
Unit: milliseconds
expr min lq median uq max neval
f0(m) 32.35600 32.88326 33.12274 33.25946 34.49003 100
f1(m) 22.21964 23.41500 23.96087 24.06587 24.49663 100
f1.c(m) 20.69856 21.20862 22.20771 22.32653 213.26667 100
f2(m) 20.76128 21.52786 22.66352 22.79101 69.49891 100
f2.c(m) 21.16423 21.57205 22.94157 23.06497 23.35764 100
f3(m) 20.17755 21.41369 21.99292 22.10814 22.36987 100
f4(m) 10.10816 10.47535 10.56790 10.61938 10.83338 100
其中“.c”的编译版本和
编译与编写for循环代码特别有帮助,但对量化代码没有做太多;这里显示的是从编译f1的for循环中得到一个小而一致的改进,但不是f2的sapply。
你希望有人审查你的工作代码并优化它?这更适合[** Code Review **](http://codereview.stackexchange.com/)。 – 2013-05-10 16:28:17
问题的前提是错误的。申请系列不能使For循环更有效率。如果效率低下,那是因为身体需要工作。关于使用矢量化函数和其他标准方法预先分配矢量的设备,有几个关于优化的问题。我认为这个应该作为一个副本来关闭。 – 2013-05-10 16:51:31
这是一个比发布的内容更快的版本: 'function(x){x < - as.matrix(x); totaldiff < - colSums(abs((apply(x,2,sample) - x)/ ncol(x))); colnames(x)[which.max(totaldiff)]}' – flodel 2013-05-10 17:50:10