提升R語言運算效率的11個實用方法

眾所周知，當我們利用R語言處理大型數據集時，for循環語句的運算效率非常低。有許多種方法可以提升你的代碼運算效率，但或許你更想了解運算效率能得到多大的提升。本文將介紹幾種適用于大數據領域的方法，包括簡單的邏輯調整設計、并行處理和Rcpp的運用，利用這些方法你可以輕松地處理1億行以上的數據集。

讓我們嘗試提升往數據框中添加一個新變量過程(該過程中包含循環和判斷語句)的運算效率。下面的代碼輸出原始數據框：

# 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)

逐行判斷該數據框(df)的總和是否大于4，如果該條件滿足，則對應的新變量數值為’greaterthan4’，否則賦值為’lesserthan4’。

本文中所有的計算都在配置了2.6Ghz處理器和8GB內存的MAC OS X中運行。

1.向量化處理和預設數據庫結構

循環運算前，記得預先設置好數據結構和輸出變量的長度和類型，千萬別在循環過程中漸進性地增加數據長度。接下來，我們將探究向量化處理是如何提高處理數據的運算速度。

2.將條件語句的判斷條件移至循環外

將條件判斷語句移至循環外可以提升代碼的運算速度，接下來本文將利用包含100,000行數據至1,000,000行數據的數據集進行測試：

3.只在條件語句為真時執行循環過程

另一種優化方法是預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行循環過程。此時，運算速度的提升程度取決于條件狀態中真值的比例。

本部分的測試將和case(2)部分進行比較，和預想的結果一致，該方法確實提升了運算效率。

4.盡可能地使用 ifelse()語句

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，但其運算速度卻有了巨大的提升。即使是在沒有預設數據結構且沒有簡化條件語句的情況下，其運算效率仍高于上述的兩種方法。

5.使用 which()語句

利用which()語句來篩選數據集，我們可以達到Rcpp三分之一的運算速率。

6.利用apply族函數來替代for循環語句

本部分將利用apply()函數來計算上文所提到的案例，并將其與向量化的循環語句進行對比。該方法的運算效率優于原始方法，但劣于ifelse()和將條件語句置于循環外端的方法。該方法非常有用，但是當你面對復雜的情形時，你需要靈活運用該函數。

7.利用compiler包中的字節碼編譯函數cmpfun()

這可能不是說明字節碼編譯有效性的最好例子，但是對于更復雜的函數而言，字節碼編譯將會表現地十分優異，因此我們應當了解下該函數。

8.利用Rcpp

截至目前，我們已經測試了好幾種提升運算效率的方法，其中最佳的方法是利用ifelse()函數。如果我們將數據量增大十倍，運算效率將會變成啥樣的呢?接下來我們將利用Rcpp來實現該運算過程，并將其與ifelse()進行比較。

下面是利用C++語言編寫的函數代碼，將其保存為“MyFunc.cpp”并利用sourceCpp進行調用。

9.利用并行運算

并行運算的代碼：

10.盡早地移除變量并恢復內存容量

在進行冗長的循環計算前，盡早地將不需要的變量移除掉。在每次循環迭代運算結束時利用gc()函數恢復內存也可以提升運算速率。

11.利用內存較小的數據結構

data.table()是一個很好的例子，因為它可以減少數據的內存，這有助于加快運算速率。

總結

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