Question

我已经学习了R一段时间了，并且已经为像我这样的编程类型提出了很多建议来进行矢量化操作。作为一名程序员，我对它为何/如何更快感兴趣。一个例子：

n = 10^7
# populate with random nos
v=runif(n)
system.time({vv<-v*v; m<-mean(vv)}); m
system.time({for(i in 1:length(v)) { vv[i]<-v[i]*v[i] }; m<-mean(vv)}); m

这给了

   user  system elapsed 
   0.04    0.01    0.07 
[1] 0.3332091

   user  system elapsed 
  36.68    0.02   36.69 
[1] 0.3332091

最明显的事情是我们正在运行本机代码，即从C或C ++编译的机器代码，而不是解释代码，如两个示例之间用户时间的巨大差异所示（大约3个订单）大小）。但还有什么事吗？例如，R会这样做：

狡猾的原生数据结构，例如存储稀疏向量或矩阵的巧妙方法，以便我们只在需要时进行乘法运算？
懒惰评估，例如在矩阵乘法上，不要在需要时评估单元格。
并行处理。
其他。

为了测试是否存在稀疏矢量优化，我尝试使用差异矢量内容进行点积

# populate with random nos
v<-runif(n)
system.time({m<-v%*%v/n}); m
# populate with runs of 1 followed by 99 0s
v <-rep(rep(c(1,rep(0,99)),n/100))
system.time({m<-v%*%v/n}); m
# populate with 0s
v <-rep(0,n)
system.time({m<-v%*%v/n}); m

然而，时间上没有显着差异（大约经过0.09）

（Matlab的相似问题：Why does vectorized code run faster than for loops in MATLAB?）

Answer 1

最明显的事情是我们正在运行本机代码，即从C或C ++编译的机器代码，而不是解释代码

这就是大部分内容。另一个重要的组成部分是，由于R代码在其设计范例中起作用，函数（尝试）没有副作用，这意味着在某些（但可能不是全部; R 尝试这样做有效率）在for循环中调用[<-的实例导致必须复制整个对象。可能会变慢。

一个小旁注：R确实具有相当广泛的功能，可以有效地处理sparse矩阵结构，但它们不是“默认”。

Answer 2

您在两个示例中都运行了解释代码和本机代码。不同之处在于，在第二个阶段，您在R级别进行循环，导致需要解释的更多函数调用，然后调用C代码。在你的第一个例子中，循环发生在已编译的代码中，因此R的解释要少得多，R代码调用的次数要少得多，对编译代码的调用也少得多。

Answer 3

关于并行处理，开箱即用的R不进行任何并行处理。当然有内置的parallel包，但您必须调整代码以使用例如mclapply使用并行处理。有一些选项可以让你的线性代数使用blas的特殊版本并行计算，但这在R中并不是标准使用，尽管让它起作用似乎并不难。

为什么矢量化更快

3 个答案: