Ответ: как использовать пакет микротестов для измерения времени выполнения.

Вы можете использовать пакет microbenchmark в R для сравнения времени выполнения различных выражений.

Для этого вы можете использовать следующий синтаксис:

 library (microbenchmark)

#compare execution time of two different expressions
microbenchmark(
  expression1,
  expression2)
)

В следующем примере показано, как использовать этот синтаксис на практике.

Пример: использование microbenchmark() в R

Предположим, у нас есть следующий кадр данных в R, который содержит информацию об очках, набранных игроками различных баскетбольных команд:

 #make this example reproducible
set. seed ( 1 )

#create data frame
df <- data. frame (team=rep(c(' A ', ' B '), each= 500 ),
                 points=rnorm( 1000 , mean= 20 ))

#view data frame
head(df)

  team points
1 A 19.37355
2 A 20.18364
3 A 19.16437
4 A 21.59528
5 A 20.32951
6 A 19.17953

Теперь предположим, что мы хотим вычислить среднее количество очков, набранных игроками каждой команды, используя два разных метода:

• Метод 1 : используйте Aggregate() из Base R
• Способ 2 : используйте group_by() и summarise_at() из dplyr.

Мы можем использовать функцию microbenchmark() для измерения времени, необходимого для выполнения каждого из этих выражений:

 library (microbenchmark)
library (dplyr)

#time how long it takes to calculate mean value of points by team
microbenchmark(
  aggregate(df$points, list(df$team), FUN=mean),
  df %>% group_by(team) %>% summarise_at(vars(points), list(name = mean))
)

Unit: milliseconds
                                                                    express
                         aggregate(df$points, list(df$team), FUN = mean)
 df %>% group_by(team) %>% summarise_at(vars(points), list(name = mean))
      min lq mean median uq max neval cld
 1.307908 1.524078 1.852167 1.743568 2.093813 4.67408 100 a 
 6.788584 7.810932 9.946286 8.914692 10.239904 56.20928 100 b

Функция microbenchmark() запускает каждое выражение 100 раз и измеряет следующие показатели:

• min : Минимальное время, необходимое для выполнения.
• lq : нижний квартиль (25-й процентиль) времени, необходимого для завершения.
• Среднее : среднее время, необходимое для выполнения.
• median : Среднее время выполнения
• uq : верхний квартиль (75-й процентиль) времени, необходимого для выполнения
• max : Максимальное время, необходимое для выполнения
• neval : сколько раз оценивалось каждое выражение.

Обычно мы смотрим только на среднее или медианное время, необходимое для выполнения каждого выражения.

По результату мы видим:

• Для расчета среднего командного балла с использованием метода R потребовалось в среднем 1852 миллисекунды .
• Для расчета среднего количества очков на команду с использованием метода dplyr потребовалось в среднем 9,946 миллисекунд .

На основании этих результатов мы делаем вывод, что базовый метод R работает значительно быстрее.

Мы также можем использовать функцию boxplot() для визуализации распределения времени, необходимого для выполнения каждого выражения:

 library (microbenchmark)
library (dplyr)

#time how long it takes to calculate mean value of points by team
results <- microbenchmark(
  aggregate(df$points, list(df$team), FUN=mean),
  df %>% group_by(team) %>% summarise_at(vars(points), list(name = mean))
)

#create boxplot to visualize results
boxplot(results, names=c(' Base R ', ' dplyr '))

Из диаграмм мы видим, что метод dplyr в среднем занимает больше времени для расчета среднего значения очков на команду.

Примечание . В этом примере мы использовали функцию microbenchmark() для сравнения времени выполнения двух разных выражений, но на практике вы можете сравнивать столько выражений, сколько захотите.

Дополнительные ресурсы

В следующих руководствах объясняется, как выполнять другие распространенные задачи в R:

Как очистить среду в R
Как очистить все графики в RStudio
Как загрузить несколько пакетов в R