未加星标

提升R代码运算效率的11个实用方法

字体大小 | |
[商业智能 所属分类 商业智能 | 发布者 店小二04 | 时间 | 作者 红领巾 ] 0人收藏点击收藏

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。

library(Rcpp)

sourceCpp("MyFunc.cpp")

system.time (output <- myFunc(df)) # see Rcpp function below

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。

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


欢迎加入本站公开兴趣群

商业智能与数据分析群

兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识

QQ群:418451831

tags: #160,df,lt,output,than,运算,col3,col1,col2,col4,time,nrow,gt
分页:12
转载请注明
本文标题:提升R代码运算效率的11个实用方法
本站链接:http://www.codesec.net/view/409025.html
分享请点击:


1.凡CodeSecTeam转载的文章,均出自其它媒体或其他官网介绍,目的在于传递更多的信息,并不代表本站赞同其观点和其真实性负责;
2.转载的文章仅代表原创作者观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,本站对该文以及其中全部或者部分内容、文字的真实性、完整性、及时性,不作出任何保证或承若;
3.如本站转载稿涉及版权等问题,请作者及时联系本站,我们会及时处理。
登录后可拥有收藏文章、关注作者等权限...
技术大类 技术大类 | 商业智能 | 评论(0) | 阅读(294)