优化R程序性能

性能测量

system.time()时间测定

Rprof和profr性能分析

R语言性能监控工具Rprof
How to efficiently use Rprof in R?

library(profr)
#日志存放路径
file<-"fun1_rprof.out"
Rprof(file)
trainAndtest(mp_id[1])#被检测程序
Rprof(NULL)
#显示日志
summaryRprof(file)
#图形化
plot(parse_rprof(file))
ggplot(parse_rprof(file))

$by.self:$当前函数的耗时情况

$by.total$:整体函数调用的耗时情况

gc()监控内存使用

参考博客：R的内存管理：rm()和gc()共用释放占用的内存

优化R代码

向量操作

用循环算平方与直接调用向量操作比较

#迭代法
vative.vector.of.squares <- function(n){
  v <- 1:n
  for(i in 1:n)
    v[i] <- v[i]^2
  v
}

system.time(vative.vector.of.squares(10000))

system.time(vative.vector.of.squares(10000000))

> system.time(vative.vector.of.squares(10000))
   user  system elapsed 
  0.029   0.000   0.029 
> system.time(vative.vector.of.squares(10000000))
   user  system elapsed 
 15.354   0.080  15.423 

发现消耗的时间会随着响亮的长度（n）线性的增长。

#向量操作
better.vector.of.squares <- function(n){
  (1:n)^2
}

system.time(better.vector.of.squares(10000))

system.time(better.vector.of.squares(10000000))

> system.time(better.vector.of.squares(10000))
   user  system elapsed 
      0       0       0 
> system.time(better.vector.of.squares(10000000))
   user  system elapsed 
  0.227   0.050   0.277 

这里的^是直接用C语言或者Fortran语言实现的，不需要通过R的解释器来计算，只需要调用一次底层库就可以得到结果。很多常用的数学函数都包含在R的原声函数中，大部分情况下，这些函数都是通过调用外部的代数运算库来实现的。

使用内置函数

R中的查找性能

> data
a b c 
1 2 3 

1. 通过下标查找O（1）
2. 通过名字标签查找，使用单括号查找操作符: O(n)
3. 通过名字标签查找，使用双括号查找操作符进行精确查询: O(1) data[[‘a’]]
4. 通过名字标签查找，使用双括号查找操作符进行模糊查询: O(1) data[[‘a’,exact=FALSE]]
5. 通过名字标签查找,使用环境：平均为O（1）
   get(data=’a’,envir=env)

尽量使用[[来查找精确值x[[1]],x[[‘a’]]速度较快。p（541）