眾所周知，當(dāng)我們利用 R 語言處理大型數(shù)據(jù)集時，for 循環(huán)語句的運(yùn)算效率非常低。有許多種方法可以提升你的代碼運(yùn)算效率，但或許你更想了解運(yùn)算效率能得到多大的提升。本文將介紹幾種適用于大數(shù)據(jù)領(lǐng)域的方法，包括簡單的邏輯調(diào)整設(shè)計、并行處理和 Rcpp 的運(yùn)用，利用這些方法你可以輕松地處理1億行以上的數(shù)據(jù)集。
讓我們嘗試提升往數(shù)據(jù)框中添加一個新變量過程(該過程中包含循環(huán)和判斷語句)的運(yùn)算效率。下面的代碼輸出原始數(shù)據(jù)框：
# Create the data framecol1 <- 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,="">逐行判斷該數(shù)據(jù)框 (df) 的總和是否大于 4 ，如果該條件滿足，則對應(yīng)的新變量數(shù)值為 ’greaterthan4’ ，否則賦值為 ’lesserthan4’ 。
# Original R code: Before vectorization and pre-allocationsystem.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="" ="" }="">本文中所有的計算都在配置了 2.6Ghz 處理器和 8GB 內(nèi)存的 MAC OS X 中運(yùn)行。
循環(huán)運(yùn)算前，記得預(yù)先設(shè)置好數(shù)據(jù)結(jié)構(gòu)和輸出變量的長度和類型，千萬別在循環(huán)過程中漸進(jìn)性地增加數(shù)據(jù)長度。接下來，我們將探究向量化處理是如何提高處理數(shù)據(jù)的運(yùn)算速度。
# after vectorization and pre-allocationoutput <- character="" (nrow(df))="" #="" initialize="" output="" vectorsystem.time({="" 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'="" ="" }="">將條件判斷語句移至循環(huán)外可以提升代碼的運(yùn)算速度，接下來本文將利用包含 100,000行數(shù)據(jù)至 1,000,000 行數(shù)據(jù)的數(shù)據(jù)集進(jìn)行測試：
# 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 loopsystem.time({ for (i in 1:nrow(df)) { if (condition[i]) { output[i] <- 'greater_than_4'="" ="" }="" else="" {="" ="" ="" output[i]=""><- 'lesser_than_4'="" ="" }="" }="" df$output=""><->另一種優(yōu)化方法是預(yù)先將輸出變量賦值為條件語句不滿足時的取值，然后只在條件語句為真時執(zhí)行循環(huán)過程。此時，運(yùn)算速度的提升程度取決于條件狀態(tài)中真值的比例。
本部分的測試將和 case(2) 部分進(jìn)行比較，和預(yù)想的結(jié)果一致，該方法確實提升了運(yùn)算效率。
output <- c(rep('lesser_than_4',="" nrow(df)))condition=""><- (df$col1="" +="" df$col2="" +="" df$col3="" +="" df$col4)=""> 4system.time({ for (i in (1:nrow(df))[condition]) { # run loop only for true conditions if (condition[i]) { output[i] <- 'greater_than_4'="" ="" ="" ="" }="" ="" }="" ="" df$output="">利用 ifelse() 語句可以使你的代碼更加簡便。 ifelse() 的句法格式類似于 if() 函數(shù)，但其運(yùn)算速度卻有了巨大的提升。即使是在沒有預(yù)設(shè)數(shù)據(jù)結(jié)構(gòu)且沒有簡化條件語句的情況下，其運(yùn)算效率仍高于上述的兩種方法。
system.time({ output <- ifelse="" ((df$col1="" +="" df$col2="" +="" df$col3="" +="" df$col4)=""> 4, 'greater_than_4', 'lesser_than_4') df$output <->利用 which() 語句來篩選數(shù)據(jù)集，我們可以達(dá)到 Rcpp 三分之一的運(yùn)算速率。
# Thanks to Gabe Beckersystem.time({ want = which(rowSums(df) > 4) output = rep('less than 4', times = nrow(df)) output[want] = 'greater than 4'}) # nrow = 3 Million rows (approx) user system elapsed 0.396 0.074 0.481本部分將利用 apply() 函數(shù)來計算上文所提到的案例，并將其與向量化的循環(huán)語句進(jìn)行對比。該方法的運(yùn)算效率優(yōu)于原始方法，但劣于 ifelse() 和將條件語句置于循環(huán)外端的方法。該方法非常有用，但是當(dāng)你面對復(fù)雜的情形時，你需要靈活運(yùn)用該函數(shù)。
# apply familysystem.time({ myfunc <- function(x)="" {="" ="" if="" ((x['col1']="" +="" x['col2']="" +="" x['col3']="" +="" x['col4'])=""> 4) { 'greater_than_4' } else { 'lesser_than_4' } } output <- apply(df[,="" c(1:4)],="" 1,="" fun="myfunc)" #="" apply="" 'myfunc'="" on="" every="" row="" df$output=""><->這可能不是說明字節(jié)碼編譯有效性的最好例子，但是對于更復(fù)雜的函數(shù)而言，字節(jié)碼編譯將會表現(xiàn)地十分優(yōu)異，因此我們應(yīng)當(dāng)了解下該函數(shù)。
# byte code compilationlibrary(compiler)myFuncCmp <- cmpfun(myfunc)system.time({="" output=""><- apply(df[,="" c="" (1:4)],="" 1,="" fun="">截至目前，我們已經(jīng)測試了好幾種提升運(yùn)算效率的方法，其中最佳的方法是利用ifelse()函數(shù)。如果我們將數(shù)據(jù)量增大十倍，運(yùn)算效率將會變成啥樣的呢？接下來我們將利用Rcpp來實現(xiàn)該運(yùn)算過程，并將其與ifelse()進(jìn)行比較。
library(Rcpp)sourceCpp('MyFunc.cpp')system.time (output <- myfunc(df))="" #="" see="" rcpp="" function="">下面是利用C++語言編寫的函數(shù)代碼，將其保存為“MyFunc.cpp”并利用sourceCpp進(jìn)行調(diào)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;}并行運(yùn)算的代碼：
# parallel processinglibrary(foreach)library(doSNOW)cl <- makecluster(4,="" type='SOCK' )="" #="" for="" 4="" cores="" machineregisterdosnow="" (cl)condition=""><- (df$col1="" +="" df$col2="" +="" df$col3="" +="" df$col4)=""> 4# parallelization with vectorizationsystem.time({ output <- foreach(i="1:nrow(df)," .combine="c)" %dopar%="" {="" ="" if="" (condition[i])="" {="" ="" ="" return('greater_than_4')="" ="" }="" else="" {="" ="" ="" return('lesser_than_4')="" ="" }="" }})df$output=""><->在進(jìn)行冗長的循環(huán)計算前，盡早地將不需要的變量移除掉。在每次循環(huán)迭代運(yùn)算結(jié)束時利用gc()函數(shù)恢復(fù)內(nèi)存也可以提升運(yùn)算速率。
data.table()是一個很好的例子，因為它可以減少數(shù)據(jù)的內(nèi)存，這有助于加快運(yùn)算速率。
dt <- data.table(df)="" #="" create="" the="" data.tablesystem.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 } }})方法：速度， nrow(df)/time_taken = n 行每秒
原始方法：1X, 856.2255行每秒(正則化為1)
向量化方法：738X, 631578行每秒
只考慮真值情況：1002X，857142.9行每秒
ifelse：1752X，1500000行每秒
which：8806X，7540364行每秒
Rcpp：13476X，11538462行每秒
原文作者：Selva Prabhakaran
