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。
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)
> dim(df)
[1] 248832 5
对数据框进行处理：
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’。
system.time({
for(i in 1:nrow(df)){
if((df[i, 'col1']+df[i, 'col2']+df[i,'col3']+df[i, 'col4'])>4){
df[i, 5] <- "greater_than_4"
}else{
df[i, 5] <- "lesser_than_4"
}
}
})
# 用户 系统 流逝
#180.48 44.64 225.21
1.向量化处理和预设数据库结构
循环运算前，记得预先设置好数据结构和输出变量的长度和类型，千万别在循环过程中渐进性地增加数据长度。接下来，我们将探究向量化处理是如何提高处理数据的运算速度。
#预分配初始化向量
output<- character(nrow(df))
system.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"
}
}
df$output
})
用户 系统 流逝
15.61 0.00 15.61
2.将条件语句的判断条件移至循环外
将条件判断语句移至循环外可以提升代码的运算速度，接下来本文将利用包含100,000行数据至1,000,000行数据的数据集进行测试：
将条件语句的判断条件移至循环外
# after vectorization and pre-allocation, taking thecondition checking outside the loop.
output <- character(nrow(df)) #预分配初始化向量
condition <- (df$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
})
用户 系统 流逝
0.39 0.00 0.40
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。
只在条件语句为真时执行循环过程
output <- c(rep("lesser_than_4", nrow(df))) #全部初始化为“lesser_than_4”
condition <- (df$col1+df$col2+df$col3+df$col4)>4 #大于4为T，小于4为F
system.time({
for(i in (1:nrow(df))[condition]){ #对为T的数据进行循环
if(condition[i]){
output[i] <-"greater_than_4"
}
}
df$output
})
用户 系统 流逝
0.33 0.00 0.33
4.尽可能地使用 ifelse()语句：最佳的提升方法
利用ifelse()语句可以使你的代码更加简便。ifelse()的句法格式类似于if()函数，但其运算速度却有了巨大的提升。即使是在没有预设数据结构且没有简化条件语句的情况下，其运算效率仍高于上述的两种方法。
system.time({
output <-ifelse((df$col1+df$col2+df$col3+df$col4)>4, "greater_than_4", "lesser_than_4")
df$output <- output
})
用户 系统 流逝
0.08 0.02 0.10
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。
system.time({
want <- which(rowSums(df)>4)
output <- rep("less_than_4", times=nrow(df))
output[want] = "greater_than_4"
})
用户 系统 流逝
0.02 0.00 0.02
system.time({
want <- which(rowSums(df)>4)
df$output <- rep("less_than_4", times=nrow(df))
df$output[want] = "greater_than_4"
})
用户 系统 流逝
0.01 0.00 0.01
6.利用apply族函数来替代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$output <- output
})
用户 系统 流逝
1.42 0.00 1.42
7.利用compiler包中的字节码编译函数cmpfun()
这可能不是说明字节码编译有效性的最好例子，但是对于更复杂的函数而言，字节码编译将会表现地十分优异，因此我们应当了解下该函数。
# byte code compilation
library(compiler)
myFuncCmp <-cmpfun(myfunc)
system.time({
output <- apply(df[,c(1:4)], 1, FUN =myFuncCmp)
})
用户 系统 流逝
1.10 0.00 1.09
8.利用Rcpp
截至目前，我们已经测试了好几种提升运算效率的方法，其中最佳的方法是利用ifelse()函数。如果我们将数据量增大十倍，运算效率将会变成啥样的呢?接下来我们将利用Rcpp来实现该运算过程，并将其与ifelse()进行比较。
library(Rcpp)
sourceCpp("MyFunc.cpp")
system.time(output <- myFunc(df)) # see Rcpp function below
下面是利用C++语言编写的函数代码，将其保存为“MyFunc.cpp”并利用sourceCpp进行调用。
//Source for MyFunc.cpp
#include
usingnamespace Rcpp;
//[[Rcpp::export]]
CharacterVectormyFunc(DataFrame x) {
NumericVector col1 = as(x["col1"]);
NumericVector col2 = as(x["col2"]);
NumericVector col3 = as(x["col3"]);
NumericVector col4 = as(x["col4"]);
int n = col1.size();
CharacterVector out(n);
for (int i=0; i 4){
out[i] = "greater_than_4";
} else {
out[i] = "lesser_than_4";
}
}
returnout;
}
#注意：此处的C++程序好像是有问题，没有深入研究，如果为了提升效率，还要写C++程序，是有点麻烦，很多人不会C++！
9.利用并行运算
#parallel processing
library(foreach)
library(iterators)
library(snow)
library(doSNOW)
cl<- makeCluster(4, type="SOCK") # for 4 cores machine
registerDoSNOW(cl)
condition<- (df$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
注意：使用此方法一直卡着没有运行处结果，1000多秒后强制停止！看来R的并行还是有问题的？请高手指点！
10.尽早地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
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。
library(data.table)
dt <- data.table(df) #从data.frame创建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"] #分配输出为第五列
}else{
dt[i,col5:="lesser_than_4"] #分配输出为第五列
}
}
})
用户 系统 流逝
431.61 0.01 431.81
注意：此方式提升的效率不明显，在此次测试中反而没有data.frame的速度快呢。
总结
方法：速度， nrow(df)/time_taken= n 行每秒
1.原始方法：1X,856.2255行每秒(正则化为1)
2.向量化方法：738X, 631578行每秒
3.只考虑真值情况：1002X，857142.9行每秒
4.ifelse：1752X，1500000行每秒
5.which：8806X，7540364行每秒
6.Rcpp：13476X，11538462行每秒
2383
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
