如何加速R？

在挖了n个R的坑之后，我还是决定把自己遇到的坑都写一下，免得自己又重复掉进相同的坑里。关于R语言加速的问题，《Advanced R》里面的一句让我印象深刻：

Optimising code to make it run faster is an iterative process:  
1. Find the biggest bottleneck (the slowest part of your code).  
2. Try to eliminate it (you may not succeed but that`s ok).  
3. Repeat until your code is “fast enough.”  
This sounds easy, but its not.  

Even experienced programmers have a hard time identifying bottlenecks in their code. Instead of relying on your intuition, you should profile your code: use realistic inputs and measure the run-time of each individual operation.

所以，如果你想优化的你的R代码，直觉大多数时候都不起作用。你需要一步一步的测试，一点点的改进，并且把你改进的经验记录下来。

一. 优化R代码的方向

关于R的进阶教程比较著名的包括：《The art of R programming》、《Advanced R》、《The R inferno》三本书难度由浅到深，分别从R语言常用的数据结构和操作，到R泛化函数，到最后如何从细节，习惯甚至思想上改进你的代码，都给出了非常漂亮的例子。我也在一直不停的啃书当中。。。

总的来说，加速R代码可以从三个方面入手：

1. R代码本身出发进行优化

2. 利用并行运算

3. 利用Rcpp和其他的运算库

对于这三个方向，我会持续的把自己遇见的问题记录在这里。这里强烈推荐用microbenchmark这个包对代码的运行时长进行测试。

二. 加速方法说明

1. 从R代码出发

关于这一块，上面三本书，尤其是《The R inferno》已经介绍的非常详细了。我这里仅仅举几个常用的例子。

（1）尽量不使用中间变量，使用嵌套函数，或者直接返回表达式。这样避免了分配内存的时间。

（2）向量化你的代码，避免单独操作。这个很好理解，批量操作总再取出来在放回去的快。当然，pply的函数组也是向量化操作的体现。

（3）尽量使用已有的函数，因为这些函数已经包裹好了，甚至调用了专门用来计算的库。（当然这样需要你不停的多看多写）

（4）尽量不使用循环，而使用pply组，replicate等函数。这些函数对你的操作进行包裹，从而提高运行速度。

2. 利用并行运算

我对R语言并行计算还只是浅薄的了解。关于并行运算，《Advanced R》里面只有微乎其微的讲解，对于那些真正真正深入的人来说远远不够。这里可以用《Parallel R》，《Parallel Computing for Data Science》，这两本书进行学习实战。

R常用的并行计算的库有很多，例如：snow，parallel，multicore等等。当然有的对windows不是特别的友善。这些并行大抵都遵循这样的思路：

1. 创建一个集群

2. 把函数分割开来放入集群

3. 以某种方式合并结果

4. 关闭你的集群

因为我这里知之甚少，所以从《Parallel R》copy一个例子，来让大家体会。链接：

https://link.zhihu.com/target=http%3A//detritus.fundacioace.com/pub/books/Oreilly.Parallel.R.Oct.2011.pdf

下面的图是执行所用的时间的分布。

3. 利用Rcpp和其他的运算库

Rcpp是提升R速度的强有力的工具。关于Rcpp的经典教材主要有：《Writing R Extensions》、《Seamless R and C++ Integration with Rcpp》前面本算是个说明文档，后面这一本是在前面的基础上整理成的书，两个都可以看一下。

先给一个计算fibonacci函数的例子。

首先要写一个名字为fibonacci.cpp的函数，可以把如下的代码粘进去：

然后我们在R语言里面同样的写一个fibonacci的函数，同时调用进行对比：

上面可以看出来Rcpp快了很多。

有些时候，Rcpp不一定就R快。R本身的许多函数是用c包装好的，并且经过核心团队的优化，个人写出的函数很难超越。

在针对不同的使用情况当中，你也可以借助一些其他的工具。关于线性代数的计算，就有很多方便的工具。例如：RcppArmadillo是R团队开发的一个C++的线性代数计算库，具有非常快的运算速度。当然，你也可以借助blas，mkl等等，这些都可以大大加速矩阵的计算。

下面给一个矩阵乘法的例子，来看看：Rcpp，blas，R，RcppArmadillo哪个更快。这个例子的来源是Stack Overflow。

RcppArmadillo

Rcpp

BLAS

比较

虽然，blas在计算上已经非常强大，RcppArmadillo竟然表现的还要好。对于广大使用Rcpp的群众来说，RcppArmadillo无疑是一个强有力的矩阵计算工具了。