Performance 如何分析特定函数在R中运行的时间长度

我刚刚得到一份工作，通过提高用于计算数据的算法的效率来帮助R中的程序加速。有许多循环进行不同的计算，我想知道哪些循环最终使用了最多的资源。我想知道如何计算循环完成所需的时间。我可以利用这些信息来找出要优化的算法，甚至可以编写一个C扩展来处理计算。

您可以使用：

• Sys.time（）

  或

  system.time（）

• rbenchmark

  包

• microbenchmark

  包
• 或探查器（例如，

  ？RProf

  ）

您可以使用：

• Sys.time（）

  或

  system.time（）

• rbenchmark

  包

• microbenchmark

  包
• 或探查器（例如，

  ？RProf

  ）

---

这里是一个使用基准的示例，使用

tapply

vs

by

vs

数据进行比较。表

：根据注释编辑

---

这里是一个使用基准的示例，使用

tapply

vs

by

vs

数据进行比较。表

：根据注释编辑

---

我用

Rprof

告诉你去哪里找。 它生成了一个堆栈样本文件，我只看了其中的一小部分，比如随机选择的10个。 或者我只是让样本之间的时间足够大，这样我就不会有太多的样本开始

这有两个原因

1） 通过亲自检查单个堆栈样本，您可以看到简单统计数据无法暴露的问题，因为通过查看堆栈，您可以看到为什么要执行这些操作。这告诉你是否可以摆脱它，这是最基本的信息

2） 如果您看到这样一种可以改进的活动模式，您只需在多个示例上看到它，就知道它值得修复。

---

所有额外的样本，如果它们意味着你不能做（1），实际上是有害的。

我用

Rprof

告诉你去哪里找。 它生成了一个堆栈样本文件，我只看了其中的一小部分，比如随机选择的10个。 或者我只是让样本之间的时间足够大，这样我就不会有太多的样本开始

这有两个原因

1） 通过亲自检查单个堆栈样本，您可以看到简单统计数据无法暴露的问题，因为通过查看堆栈，您可以看到为什么要执行这些操作。这告诉你是否可以摆脱它，这是最基本的信息

2） 如果您看到这样一种可以改进的活动模式，您只需在多个示例上看到它，就知道它值得修复。

---

所有额外的样本，如果它们意味着你不能做（1），实际上是有害的。

所有的

表达式是怎么回事。我喜欢将它们保存为表达式，以便在所有测试中轻松更改输入。（另外，我发现它在
test
列中提供了更好的输出）
benchmark（使用.tapply=tappyl（x[，1]，x[，“f”]，mean），使用.by=by（x[，1]，x[，“f”]，mean），使用.dtable=dt[，mean（col1），by=key（dt）]，replications=10，order='relative'）
。。。无论
x
和
dt
是什么，只要将
..
参数命名为：
基准测试（使用.tapply=tapply（x[，1]，x[，“f”]，mean））
。将每个测试放在自己的行上。然后您可以轻松地添加/删除它们。使用
expression
时，我看到的最大问题是，你可能会把看你的代码的人弄糊涂。所有
expression
s有什么用？@GSee。我喜欢将它们保存为表达式，以便在所有测试中轻松更改输入。（另外，我发现它在
test
列中提供了更好的输出）
benchmark（使用.tapply=tappyl（x[，1]，x[，“f”]，mean），使用.by=by（x[，1]，x[，“f”]，mean），使用.dtable=dt[，mean（col1），by=key（dt）]，replications=10，order='relative'）
。。。无论
x
和
dt
是什么，只要将
..
参数命名为：
基准测试（使用.tapply=tapply（x[，1]，x[，“f”]，mean））
。将每个测试放在自己的行上。然后您可以轻松地添加/删除它们。使用
expression
时，我看到的最大问题是，您可能会混淆查看代码的其他人。您是否按顺序列出了他们？对于第一个要点，您可以使用
beg Thank you，这非常有帮助！您是否按顺序列出了它们？对于第一个要点，您可以使用
乞求谢谢，这非常有帮助！
library(rbenchmark)  

           # Different tests being compared
benchmark( using.tapply = tapply(x[, 1], x[, "f"], mean),
           using.by = by(x[, 1], x[, "f"], mean), 
           using.dtable = dt[,mean(col1),by=key(dt)]), 

           # Number of reps. How results are.
           replications = 250, order = "relative"
          )   

#------------------------#
#         RESULTS        # 
#------------------------#


#   COMPARING data.table VS tapply VS by   #
#------------------------------------------#
#             test elapsed relative
#   2  using.dtable   0.168    1.000
#   1  using.tapply   2.396   14.262
#   3      using.by   8.566   50.988