R Language
कोड प्रोफाइलिंग

सिस्टम का समय

सिस्टम समय आपको एक आर एक्सप्रेशन निष्पादित करने के लिए आवश्यक सीपीयू समय देता है, उदाहरण के लिए:

system.time(print("hello world"))

# [1] "hello world"
#    user  system elapsed 
#       0       0       0 

आप ब्रेसिज़ के उपयोग के माध्यम से कोड के बड़े टुकड़े जोड़ सकते हैं:

system.time({
    library(numbers)
    Primes(1,10^5)
})

या कार्यों का परीक्षण करने के लिए इसका उपयोग करें:

fibb <- function (n) {   
    if (n < 3) {
        return(c(0,1)[n])
    } else {
        return(fibb(n - 2) + fibb(n -1))
    }
}

system.time(fibb(30))

proc.time ()

इसकी सरलतम पर, proc.time() वर्तमान प्रक्रिया के लिए सेकंड में कुल बीता हुआ CPU समय देता है। कंसोल में इसे निष्पादित करने से निम्न प्रकार का आउटपुट प्राप्त होता है:

proc.time()

#       user     system    elapsed 
#    284.507    120.397 515029.305 

यह कोड की विशिष्ट लाइनों को बेंचमार्क करने के लिए विशेष रूप से उपयोगी है। उदाहरण के लिए:

t1 <- proc.time()
fibb <- function (n) {
    if (n < 3) {
        return(c(0,1)[n])
    } else {
        return(fibb(n - 2) + fibb(n -1))
    }
}
print("Time one")
print(proc.time() - t1)

t2 <- proc.time()
fibb(30)

print("Time two")
print(proc.time() - t2)

यह निम्न आउटपुट देता है:

source('~/.active-rstudio-document')

# [1] "Time one"
#    user  system elapsed 
#       0       0       0 

# [1] "Time two"
#    user  system elapsed 
#   1.534   0.012   1.572 

system.time() proc.time() लिए एक आवरण है जो किसी विशेष कमांड / अभिव्यक्ति के लिए बीता हुआ समय लौटाता है।

print(t1 <- system.time(replicate(1000,12^2)))
##  user  system elapsed 
## 0.000   0.000   0.002 

ध्यान दें कि लौटी हुई वस्तु, वर्ग proc.time , सतह पर दिखाई देने वाली की तुलना में थोड़ी अधिक जटिल है:

str(t1)
## Class 'proc_time'  Named num [1:5] 0 0 0.002 0 0
##  ..- attr(*, "names")= chr [1:5] "user.self" "sys.self" "elapsed" "user.child" ...

रेखा प्रोफाइलिंग

लाइन प्रोफाइलिंग के लिए एक पैकेज लाइनफ़ॉर्म है जो हैडली विकम द्वारा लिखा और बनाए रखा गया है। यह पूर्वानुमान पैकेज में auto.arima साथ काम करने का एक त्वरित प्रदर्शन है:

library(lineprof)
library(forecast)

l <- lineprof(auto.arima(AirPassengers))
shine(l)

यह आपको एक चमकदार ऐप प्रदान करेगा, जो आपको हर फ़ंक्शन कॉल में गहराई से डील करने की अनुमति देता है। इससे आप आसानी से देख सकते हैं कि आपका R कोड धीमा हो रहा है। नीचे चमकदार ऐप का एक स्क्रीनशॉट है:

Microbenchmark

माइक्रोबेनमार्क, अन्यथा तेज प्रक्रियाओं के लिए समय लेने का अनुमान लगाने के लिए उपयोगी है। उदाहरण के लिए, हैलो दुनिया को मुद्रित करने में लगने वाले समय का अनुमान लगाने पर विचार करें।

system.time(print("hello world"))

# [1] "hello world"
#    user  system elapsed 
#       0       0       0 

इसका कारण यह है कि system.time अनिवार्य रूप से proc.time लिए एक आवरण फ़ंक्शन है, जो सेकंड में मापता है। जैसा कि "हैलो वर्ल्ड" को प्रिंट करने में एक सेकंड से भी कम समय लगता है, ऐसा प्रतीत होता है कि लिया गया समय एक सेकंड से भी कम है, हालांकि यह सच नहीं है। यह देखने के लिए हम पैकेज माइक्रोबेनमार्क का उपयोग कर सकते हैं:

library(microbenchmark)
microbenchmark(print("hello world"))
 
# Unit: microseconds
#                 expr    min     lq     mean  median     uq     max neval
# print("hello world") 26.336 29.984 44.11637 44.6835 45.415 158.824   100

यहां हम रनिंग print("hello world") 100 बार देख सकते हैं, औसतन लिया गया समय वास्तव में 44 माइक्रोसेकंड था। (ध्यान दें कि इस कोड को चलाने पर कंसोल पर "हैलो वर्ल्ड" 100 बार प्रिंट होगा।)

हम इसकी तुलना एक समकक्ष प्रक्रिया, cat("hello world\n") , यह देखने के लिए कि क्या यह print("hello world") से तेज है:

microbenchmark(cat("hello world\n"))

# Unit: microseconds
#                  expr    min      lq     mean median     uq     max neval
# cat("hello world\\n") 14.093 17.6975 23.73829 19.319 20.996 119.382   100

इस मामले में cat() print() तुलना में लगभग दोगुनी है print() ।

वैकल्पिक रूप से एक ही microbenchmark कॉल के भीतर दो प्रक्रियाओं की तुलना कर सकते हैं:

microbenchmark(print("hello world"), cat("hello world\n"))
# Unit: microseconds
# expr                    min     lq     mean  median     uq     max neval
# print("hello world") 29.122 31.654 39.64255 34.5275 38.852 192.779   100
# cat("hello world\\n")  9.381 12.356 13.83820 12.9930 13.715  52.564   100

बेंचमार्किंग का उपयोग करते हुए माइक्रोबेनमार्क

आप "अभिव्यक्ति मूल्यांकन के सटीक-मिलीसेकंड सटीक समय" का संचालन करने के लिए microbenchmark पैकेज का उपयोग कर सकते हैं।

इस उदाहरण में हम एक समूह में तत्वों को अद्यतन करने के लिए छह समकक्ष data.table की गति की तुलना कर रहे हैं। एक निश्चित स्थिति के आधार पर।

अधिक विशेष रूप से:

3 कॉलम के साथ एक data.table : id , time और status । प्रत्येक आईडी के लिए, मैं अधिकतम समय के साथ रिकॉर्ड ढूंढना चाहता हूं - फिर यदि उस रिकॉर्ड के लिए यदि स्थिति सत्य है, तो मैं इसे झूठा सेट करना चाहता हूं यदि समय> 7 है

library(microbenchmark)
library(data.table)

set.seed(20160723)
dt <- data.table(id = c(rep(seq(1:10000), each = 10)),
                time = c(rep(seq(1:10000), 10)),
                status = c(sample(c(TRUE, FALSE), 10000*10, replace = TRUE)))
setkey(dt, id, time)  ## create copies of the data so the 'updates-by-reference' don't affect other expressions
dt1 <- copy(dt)
dt2 <- copy(dt)
dt3 <- copy(dt)
dt4 <- copy(dt)
dt5 <- copy(dt)
dt6 <- copy(dt)

microbenchmark(
  
  expression_1 = {
    dt1[ dt1[order(time), .I[.N], by = id]$V1, status := status * time < 7 ] 
    },
  
  expression_2 = {
    dt2[,status := c(.SD[-.N, status], .SD[.N, status * time > 7]), by = id]
    },
  
  expression_3 = {
    dt3[dt3[,.N, by = id][,cumsum(N)], status := status * time > 7]
    },
  
  expression_4 = { 
    y <- dt4[,.SD[.N],by=id]
    dt4[y, status := status & time > 7]
  },
  
  expression_5 = {
    y <- dt5[, .SD[.N, .(time, status)], by = id][time > 7 & status]
    dt5[y, status := FALSE]
  },
  
  expression_6 = {
    dt6[ dt6[, .I == .I[which.max(time)], by = id]$V1 & time > 7, status := FALSE]
    },
  
  times = 10L ## specify the number of times each expression is evaluated
)

# Unit: milliseconds
#         expr         min          lq        mean      median         uq          max neval
# expression_1   11.646149   13.201670   16.808399   15.643384   18.78640    26.321346    10
# expression_2 8051.898126 8777.016935 9238.323459 8979.553856 9281.93377 12610.869058    10
# expression_3    3.208773    3.385841    4.207903    4.089515    4.70146     5.654702    10
# expression_4   15.758441   16.247833   20.677038   19.028982   21.04170    36.373153    10
# expression_5 7552.970295 8051.080753 8702.064620 8861.608629 9308.62842  9722.234921    10
# expression_6   18.403105   18.812785   22.427984   21.966764   24.66930    28.607064    10

आउटपुट से पता चलता है कि इस परीक्षण में expression_3 सबसे तेज है।

संदर्भ

data.table - कॉलम जोड़ना और संशोधित करना

data.table - data.table में विशेष ग्रुपिंग सिंबल