是colMeans（），colSums（）。。。在R中也并行化了吗？

我们知道，使用像

colMeans（）

，

colSums（）

这样的函数要比使用

apply（）

的等价函数快得多，因为这是预编译的（在

C

，

C++

）

这些函数在这些语言中是否也自动并行化

---

也许并行化的开销并没有真正意义，因为它只是一个非常简单的函数，对吗？但是，对于非常大的矩阵，它还是有意义的？

在R中没有自动并行化的功能，但是这些精确的函数存在于带有并行参数的

Rfast

包中。

即使没有并行化，Rfast实现也更好

x = matrix(rnorm(1000*100),ncol=100)

microbenchmark::microbenchmark(.colSums(x,1000,100), colSums(x),Rfast::colsums(x,parallel=0),times=1000)
Unit: microseconds
                          expr     min      lq     mean  median      uq     max    neval
         .colSums(x, 1000, 100) 124.870 125.725 127.28580 125.726 126.153 301.911  1000
                     colSums(x) 132.567 133.423 136.30507 134.705 135.134 282.668  1000
Rfast::colsums(x, parallel = 0)  79.541  80.824  84.00742  81.252  82.107 307.470  1000

更大的矩阵使并行化相关（来自2核笔记本电脑的基准测试）

---

如果在控制台中键入

colMeans

（没有

（）

），您将看到它的R代码。实际工作在启动

的两个函数调用中进行（colMeans

，这清楚地表明正在调用内置于R解释器中的已编译C函数。由于R是开源的，您可以根据需要查找该函数的代码。将这些函数并行化是否有意义？@D1X，如果您的维度太高。请注意，还有

base:：.ColSums（）

的开销小于

base:：colSums（）

@HenrikB，正如您在更新的基准测试中所看到的，base:：.colSums（）和base:：colSums（）之间的开销差异与Rfast计算相同结果所需的时间相比微不足道

x = matrix(rnorm(1000*1000),ncol=1000)

microbenchmark::microbenchmark(.colSums(x,1000,1000), colSums(x),Rfast::colsums(x,parallel=0),
    Rfast::colsums(x,parallel=1),times=1000)
Unit: microseconds
                           expr      min       lq      mean    median        uq      max  neval
        .colSums(x, 1000, 1000) 1313.268 1336.3600 1366.5152 1344.486 1355.1760 2468.310  1000
                     colSums(x) 1350.473 1366.2950 1401.0574 1374.420 1386.8210 2826.241  1000
Rfast::colsums(x, parallel = 0)  755.205  769.7440  801.5617  779.152  796.6850 1796.068  1000
Rfast::colsums(x, parallel = 1)  604.249  637.8185  680.3327  651.289  674.1675 1808.042  1000

x = matrix(rnorm(100000*100),ncol=100)

microbenchmark::microbenchmark(.colSums(x,100000,100), colSums(x),Rfast::colsums(x,parallel=0),
    Rfast::colsums(x,parallel=1),times=1000)

 Unit: milliseconds
                            expr       min        lq      mean    median        uq     max    neval
         .colSums(x, 1e+05, 100) 12.910733 12.971671 13.124897 13.011441 13.087346 26.914502  1000
                      colSums(x) 12.944944 13.012511 13.142074 13.058268 13.128400 14.879138  1000
 Rfast::colsums(x, parallel = 0)  6.988414  7.009796  7.165310  7.068810  7.154765 16.826589  1000
 Rfast::colsums(x, parallel = 1)  4.061679  4.251977  4.373995  4.296451  4.385827  7.610196  1000