眾所周知，當(dāng)我們利用R語言處理大型數(shù)據(jù)集時(shí)，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(jì)、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。

[[162790]]

讓我們嘗試提升往數(shù)據(jù)框中添加一個(gè)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 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(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-allocation
system.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(jì)算都在配置了2.6Ghz處理器和8GB內(nèi)存的MAC OS X中運(yùn)行。

1.向量化處理和預(yù)設(shè)數(shù)據(jù)庫結(jié)構(gòu)

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-allocation
output <- character (nrow(df)) # initialize output vector
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})

2.將條件語句的判斷條件移至循環(huán)外

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 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
})

3.只在條件語句為真時(shí)執(zhí)行循環(huán)過程

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(shí)的取值，然后只在條件語句為真時(shí)執(zhí)行循環(huán)過程。此時(shí)，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(shí)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) > 4
system.time({
for (i in (1:nrow(df))[condition]) {  # run loop only for true conditions
if (condition[i]) {
output[i] <- "greater_than_4"
}
}
df$output
})

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(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 <- output
})

5.使用 which()語句

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 Becker
system.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

6.利用apply族函數(shù)來替代for循環(huán)語句

本部分將利用apply()函數(shù)來計(jì)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(shí)，你需要靈活運(yùn)用該函數(shù)。

# 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
})

7.利用compiler包中的字節(jié)碼編譯函數(shù)cmpfun()

這可能不是說明字節(jié)碼編譯有效性的***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 compilation
library(compiler)
myFuncCmp <- cmpfun(myfunc)
system.time({
output <- apply(df[, c (1:4)], 1, FUN=myFuncCmp)
})

8.利用Rcpp

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***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(shí)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 below

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; 
} 

9.利用并行運(yùn)算

并行運(yùn)算的代碼：

# parallel processing
library(foreach)
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

10.盡早地移除變量并恢復(fù)內(nèi)存容量

在進(jìn)行冗長的循環(huán)計(jì)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(shí)利用gc()函數(shù)恢復(fù)內(nèi)存也可以提升運(yùn)算速率。

11.利用內(nèi)存較小的數(shù)據(jù)結(jié)構(gòu)

data.table()是一個(gè)很好的例子，因?yàn)樗梢詼p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.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"]  # assign the output as 5th column
} else {
dt[i, col5:="lesser_than_4"]  # assign the output as 5th column
}
}
})

總結(jié)

方法：速度， nrow(df)/time_taken = n 行每秒

1.原始方法：1X, 856.2255行每秒(正則化為1)

2.向量化方法：738X, 631578行每秒

3.只考慮真值情況：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