有100万次

Question

我是R的初学者，正在探索可用于在向量中找到匹配元素（位置和布尔值）的不同选项。我有几个选项要做，我想看看每个的执行时间。令我惊讶的是，尽管他们做了同样的事情，但他们花了不同的时间。

有人可以对差异有所了解。

下面是查找匹配元素索引的脚本。尽管match只找到了第一个索引，但which花费的时间更短。

> obj<-c('a','b','c','d')
> 
> system.time( replicate(10000, match('c',obj) ) )
   user  system elapsed 
   0.04    0.00    0.05 
> system.time( replicate(10000, which('c'==obj) ) )
   user  system elapsed 
   0.04    0.00    0.03

对于返回布尔值，时间也不同。

> system.time( replicate(10000, is.element('c',obj) ) )
   user  system elapsed 
   0.05    0.00    0.05 
> system.time( replicate(10000, 'c' %in% obj) )
   user  system elapsed 
   0.04    0.00    0.05 
> system.time( replicate(10000, any('c'==obj) ) )
   user  system elapsed 
   0.02    0.00    0.02

非常感谢任何光明。

Answer 1

match需要构建一个哈希表，这是一项代价高昂的操作，只有在许多元素中搜索匹配时才有价值。 %in%是match的包装器。

which(x == y)在向量上循环两次（一个用于测试相等性，一个用于返回TRUE的索引。any(x == y)的行为类似于which但停止循环一次找到TRUE。

match仅返回第一个匹配，which返回所有匹配。

您可以比较搜索匹配项的元素数量的性能，例如：

n = seq_len(1e2)
tab = seq_len(1e5)

ans = lapply(n, function(n) {
                  x = seq_len(n)
                  summary(microbenchmark::microbenchmark(match = match(x, tab),
                                                         which = unlist(lapply(x, function(X) which(X == tab))),
                                                         'in' = x %in% tab, 
                                                         any = unlist(lapply(x, function(X)any(X == tab))),
                                                         unit = "ms",
                                                         times = 15))$median
                })

plot(NULL, xlim = c(1, length(ans)), ylim = range(unlist(ans)))
lines(sapply(ans, "[[", 1), col = "red")
lines(sapply(ans, "[[", 2), col = "blue")
lines(sapply(ans, "[[", 3), col = "pink")
lines(sapply(ans, "[[", 4), col = "lightblue")
legend("topleft", fill = c("red", "blue", "pink", "lightblue"), legend = c("match", "which", "in", "any"))

enter image description here

编辑 2016年5月4日：

在R＆gt; = 3.3.0中，当x中的match(x, table)为length(x) == 1L时，会进行简单的线性搜索，直到找到第一个匹配项并且{{{}}开销为match。 1}}的设置是避免的：

Answer 2

我认为这些功能在效率上有所不同的原因并没有“明确”的答案。通常，提供相同输出的两个功能不需要同样有效。另一方面，可观察到的效率差异通常取决于输入（大小，格式）和使用函数的方式。

在您的示例中，is.element和%in%实际上是相同的，因为他们只是简单地调用match来完成他们的工作。请参阅?is.element和?match以获取说明，并is.element（R控制台中没有括号）了解该功能的用途。

第三个函数（any）是一个原始函数。这些函数通常非常有效，因为它们直接执行C例程。处理原始函数的方式与R中的“常规”函数不同。

Answer 3

您可以使用microbenchmark并查看哪一个更有效：

library(microbenchmark)
microbenchmark(match('c',obj),which('c'==obj),is.element('c',obj) , 'c' %in% obj,any('c'==obj),times =10000)
Unit: nanoseconds
                 expr min   lq      mean median   uq     max neval cld
      match("c", obj) 489  978 1126.1920    979  980 1209606 10000  b 
    which("c" == obj) 489  978 1036.7159    979  980   31770 10000  b 
 is.element("c", obj) 978 1467 1810.8117   1468 1956 1150469 10000   c
         "c" %in% obj 978 1468 1826.2425   1469 1957   27860 10000   c
      any("c" == obj)   0    2  355.7135    490  491   23461 10000 a

有100万次

microbenchmark(match('c',obj),which('c'==obj),is.element('c',obj) , 'c' %in% obj,any('c'==obj),times =1000000)
Unit: nanoseconds
                 expr min   lq      mean median   uq      max neval  cld
      match("c", obj) 489  978  995.9749    979  980  4391720 1e+06  b  
    which("c" == obj) 489  978 1013.2343    979  980  1193478 1e+06  b  
 is.element("c", obj) 978 1467 1663.1172   1468 1956  1202763 1e+06   c 
         "c" %in% obj 978 1468 1869.0499   1469 1957 56815228 1e+06    d
      any("c" == obj)   0    2  348.8258    490  491  1186147 1e+06 a

匹配元素的执行时间不同

3 个答案:

有100万次