众所周知，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。
让我们尝试提升往数据框中添加一个新变量过程(该过程中包含循环和判断语句)的运算效率。下面的代码输出原始数据框：
# Create the data framecol1 <- 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,="">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’ 。
# Original R code: Before vectorization and pre-allocationsystem.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="" ="" }="">本文中所有的计算都在配置了 2.6Ghz 处理器和 8GB 内存的 MAC OS X 中运行。
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。
# after vectorization and pre-allocationoutput <- character="" (nrow(df))="" #="" initialize="" output="" vectorsystem.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'="" ="" }="">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：
# 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 loopsystem.time({ for (i in 1:nrow(df)) { if (condition[i]) { output[i] <- 'greater_than_4'="" ="" }="" else="" {="" ="" ="" output[i]=""><- 'lesser_than_4'="" ="" }="" }="" df$output=""><->另一种优化方法是预先将输出变量赋值为条件语句不满足时的取值，然后只在条件语句为真时执行循环过程。此时，运算速度的提升程度取决于条件状态中真值的比例。
本部分的测试将和 case(2) 部分进行比较，和预想的结果一致，该方法确实提升了运算效率。
output <- c(rep('lesser_than_4',="" nrow(df)))condition=""><- (df$col1="" +="" df$col2="" +="" df$col3="" +="" df$col4)=""> 4system.time({ for (i in (1:nrow(df))[condition]) { # run loop only for true conditions if (condition[i]) { output[i] <- 'greater_than_4'="" ="" ="" ="" }="" ="" }="" ="" df$output="">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$output <->利用 which() 语句来筛选数据集，我们可以达到 Rcpp 三分之一的运算速率。
# Thanks to Gabe Beckersystem.time({ want = which(rowSums(df) > 4) output = rep('less than 4', times = nrow(df)) output[want] = 'greater than 4'}) # nrow = 3 Million rows (approx) user system elapsed 0.396 0.074 0.481本部分将利用 apply() 函数来计算上文所提到的案例，并将其与向量化的循环语句进行对比。该方法的运算效率优于原始方法，但劣于 ifelse() 和将条件语句置于循环外端的方法。该方法非常有用，但是当你面对复杂的情形时，你需要灵活运用该函数。
# apply familysystem.time({ myfunc <- function(x)="" {="" ="" if="" ((x['col1']="" +="" x['col2']="" +="" x['col3']="" +="" x['col4'])=""> 4) { 'greater_than_4' } else { 'lesser_than_4' } } output <- apply(df[,="" c(1:4)],="" 1,="" fun="myfunc)" #="" apply="" 'myfunc'="" on="" every="" row="" df$output=""><->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 compilationlibrary(compiler)myFuncCmp <- cmpfun(myfunc)system.time({="" output=""><- apply(df[,="" c="" (1:4)],="" 1,="" fun="">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="">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 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;}并行运算的代码：
# parallel processinglibrary(foreach)library(doSNOW)cl <- makecluster(4,="" type='SOCK' )="" #="" for="" 4="" cores="" machineregisterdosnow="" (cl)condition=""><- (df$col1="" +="" df$col2="" +="" df$col3="" +="" df$col4)=""> 4# parallelization with vectorizationsystem.time({ output <- foreach(i="1:nrow(df)," .combine="c)" %dopar%="" {="" ="" if="" (condition[i])="" {="" ="" ="" return('greater_than_4')="" ="" }="" else="" {="" ="" ="" return('lesser_than_4')="" ="" }="" }})df$output=""><->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。
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。
dt <- data.table(df)="" #="" create="" the="" data.tablesystem.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 } }})方法：速度， nrow(df)/time_taken = n 行每秒
原始方法：1X, 856.2255行每秒(正则化为1)
向量化方法：738X, 631578行每秒
只考虑真值情况：1002X，857142.9行每秒
ifelse：1752X，1500000行每秒
which：8806X，7540364行每秒
Rcpp：13476X，11538462行每秒
原文作者：Selva Prabhakaran
联系客服
