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。

[[162790]]

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’。

# 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。

# 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：

# 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。

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，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。

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()語句來篩選數據集，我們可以達到Rcpp三分之一的運算速率。

# 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。

# 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包中的字節碼編譯函數cmpfun()

這可能不是說明字節碼編譯有效性的***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。

# 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，我們已經測試了好幾種提升運算效率的方法，其中***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。

library(Rcpp)
sourceCpp("MyFunc.cpp")
system.time (output <- myFunc(df)) # see Rcpp function below

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

// 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.利用并行運算

并行運算的代碼：

# 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。

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

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