Sie k\u00f6nnen dazu die folgende Syntax verwenden:<\/span><\/p>\n Das folgende Beispiel zeigt, wie diese Syntax in der Praxis verwendet wird.<\/span><\/p>\n Angenommen, wir haben den folgenden Datenrahmen in R, der Informationen \u00fcber die von Spielern verschiedener Basketballteams erzielten Punkte enth\u00e4lt:<\/span><\/p>\n Nehmen wir nun an, wir m\u00f6chten die durchschnittlichen Punkte, die die Spieler jeder Mannschaft erzielen, mit zwei verschiedenen Methoden berechnen:<\/span><\/p>\n Wir k\u00f6nnen die Funktion microbenchmark()<\/strong> verwenden, um die Zeit zu messen, die zum Ausf\u00fchren jedes dieser Ausdr\u00fccke ben\u00f6tigt wird:<\/span><\/p>\n Die Funktion microbenchmark()<\/strong> f\u00fchrt jeden Ausdruck 100 Mal aus und misst die folgenden Metriken:<\/span><\/p>\n Normalerweise betrachten wir nur die durchschnittliche oder mittlere Zeit, die f\u00fcr die Ausf\u00fchrung jedes Ausdrucks ben\u00f6tigt wird.<\/span><\/p>\n Aus dem Ergebnis k\u00f6nnen wir sehen:<\/span><\/p>\n Basierend auf diesen Ergebnissen kommen wir zu dem Schluss, dass die Basis-R-Methode deutlich schneller ist.<\/span><\/p>\n Wir k\u00f6nnen auch die Funktion boxplot()<\/strong> verwenden, um die Verteilung der Zeiten zu visualisieren, die zum Ausf\u00fchren jedes Ausdrucks erforderlich sind:<\/span> <\/p>\n Anhand der Boxplots k\u00f6nnen wir erkennen, dass die dplyr-Methode im Durchschnitt l\u00e4nger braucht, um den durchschnittlichen Punktwert pro Team zu berechnen.<\/span><\/p>\n Hinweis<\/strong> : In diesem Beispiel haben wir die Funktion microbenchmark()<\/strong> verwendet, um die Ausf\u00fchrungszeit zweier verschiedener Ausdr\u00fccke zu vergleichen. In der Praxis k\u00f6nnen Sie jedoch so viele Ausdr\u00fccke vergleichen, wie Sie m\u00f6chten.<\/span><\/p>\n Die folgenden Tutorials erkl\u00e4ren, wie Sie andere h\u00e4ufige Aufgaben in R ausf\u00fchren:<\/span><\/p>\n So l\u00f6schen Sie die Umgebung in R<\/a> Sie k\u00f6nnen das Microbenchmark- Paket in R verwenden, um die Ausf\u00fchrungszeit verschiedener Ausdr\u00fccke zu vergleichen. Sie k\u00f6nnen dazu die folgende Syntax verwenden: library (microbenchmark) #compare execution time of two different expressions microbenchmark( expression1, expression2) ) Das folgende Beispiel zeigt, wie diese Syntax in der Praxis verwendet wird. Beispiel: Verwendung von microbenchmark() in R Angenommen, wir […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n library<\/span> (microbenchmark)\n\n#compare execution time of two different expressions\n<\/span>microbenchmark(\n expression1,\n expression2)\n)\n<\/strong><\/pre>\n Beispiel: Verwendung von microbenchmark() in R<\/strong><\/span><\/h2>\n
#make this example reproducible\n<\/span>set. seed<\/span> ( 1<\/span> )\n\n#create data frame\n<\/span>df <- data. frame<\/span> (team=rep(c(' A<\/span> ', ' B<\/span> '), each= 500<\/span> ),\n points=rnorm( 1000<\/span> , mean= 20<\/span> ))\n\n#view data frame\n<\/span>head(df)\n\n team points\n1 A 19.37355\n2 A 20.18364\n3 A 19.16437\n4 A 21.59528\n5 A 20.32951\n6 A 19.17953\n<\/span><\/span><\/strong><\/pre>\n\n
library<\/span> (microbenchmark)\nlibrary<\/span> (dplyr)\n\n#time how long it takes to calculate mean value of points by team\n<\/span>microbenchmark(\n aggregate(df$points, list(df$team), FUN=mean),\n df %>% group_by(team) %>% summarise_at(vars(points), list(name = mean))\n)\n\nUnit: milliseconds\n express\n aggregate(df$points, list(df$team), FUN = mean)\n df %>% group_by(team) %>% summarise_at(vars(points), list(name = mean))\n min lq mean median uq max neval cld\n 1.307908 1.524078 1.852167 1.743568 2.093813 4.67408 100 a \n 6.788584 7.810932 9.946286 8.914692 10.239904 56.20928 100 b\n<\/strong><\/pre>\n\n
\n
library<\/span> (microbenchmark)\nlibrary<\/span> (dplyr)\n\n#time how long it takes to calculate mean value of points by team\n<\/span>results <- microbenchmark(\n aggregate(df$points, list(df$team), FUN=mean),\n df %>% group_by(team) %>% summarise_at(vars(points), list(name = mean))\n)\n\n#create boxplot to visualize results\n<\/span>boxplot(results, names=c(' Base R<\/span> ', ' dplyr<\/span> '))\n<\/strong><\/pre>\n![\"Der](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/micro1.jpg\")
<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So l\u00f6schen Sie alle Diagramme in RStudio<\/a>
So laden Sie mehrere Pakete in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"