R:Измерение времени выполнения выражений — различия между версиями
м (→Функция system.time()) |
м (Загрузка 2693-time-measure.wiki) |
||
(не показано 36 промежуточных версий этого же участника) | |||
Строка 1: | Строка 1: | ||
− | {{CC-BY-4.0}} | + | <!-- R:Измерение времени выполнения выражений --> |
+ | |||
+ | |||
+ | |||
+ | {{CC-BY-4.0|author=автором Артём Клевцов}} | ||
+ | |||
+ | {{Pkg-req-notice}} | ||
Для измерения времени выполнения выражений используют следующие инструменты: | Для измерения времени выполнения выражений используют следующие инструменты: | ||
− | * Функция | + | * Функция <code>system.time()</code> из базового пакета; |
* Cпециализированные функции (benchmarks, бенчмарки); | * Cпециализированные функции (benchmarks, бенчмарки); | ||
− | * Функция профилирования времени выполнения кода | + | * Функция профилирования времени выполнения кода <code>Rprof()</code>. |
− | == Функция system.time | + | == Функция <code>system.time</code> == |
− | Самый простой инструмент для измерения времени выполнения кода - функция | + | Самый простой инструмент для измерения времени выполнения кода - функция <code>system.time()</code> из пакета {{r-package|base|core=true}}. В качестве аргумента функция <code>system.time()</code> принимает выражения и возвращает время выполнения данного выражения. Измерим время выполнения функции <code>Sys.sleep()</code>, которая останавливает выполнение кода на заданный интервал времени (в секундах): |
− | < | + | {{r-code|code=<nowiki>system.time(Sys.sleep(1)) |
− | > system.time(Sys.sleep(1)) | + | #> user system elapsed |
− | + | #> 0.000 0.000 1.001 | |
− | + | </nowiki>}} | |
− | </ | + | |
Как видим, на выполнение данной операции заняло ровно одну секунду. | Как видим, на выполнение данной операции заняло ровно одну секунду. | ||
− | Приведём ещё один пример. Сравним время вычисления встроенной в R функции | + | Приведём ещё один пример. Сравним время вычисления встроенной в R функции <code>mean()</code> и среднего, вычисленного по формуле <math>\frac{1}{n}\sum_{i=1}^{n}x_{i}</math>. на сгенерированном массиве нормально распределенных значений: |
− | < | + | {{r-code|code=<nowiki>x <- rnorm(10^7L) |
− | > x <- rnorm(10^7L) | + | system.time(mean(x)) |
− | + | #> user system elapsed | |
− | + | #> 0.013 0.003 0.016 | |
− | + | system.time(sum(x) / length(x)) | |
− | + | #> user system elapsed | |
− | + | #> 0.010 0.000 0.008 | |
− | + | </nowiki>}} | |
− | </ | + | |
Функция возвращает 3 значения: | Функция возвращает 3 значения: | ||
− | * | + | * <code>user</code> - время CPU, которое занял пользователь; |
− | * | + | * <code>system</code> - время CPU, которое заняла система; |
− | * | + | * <code>elapsed</code> - реальное время, которое заняло выполнение команды. |
− | Соответственно, в выводе функции нас интересует значение | + | Соответственно, в выводе функции нас интересует значение <code>elapsed</code>, который показывает время выполнения функции (выражения) в секундах. Как мы видим, внешне более сложное выражение <code>sum(x) / length(x)</code> выполняется быстрее стандартной функции <code>mean(x)</code>. |
− | К сожалению, подобный способ достаточно ненадежен, так как для оценки времени выполнения выражения функция | + | К сожалению, подобный способ достаточно ненадежен, так как для оценки времени выполнения выражения функция <code>system.time()</code> обращается к системным значениям времени. Следовательно, если во время выполнения кода параллельно производятся и другие операции на компьютере (а такое случается практически в ста процентах случаев), то возможно увеличение времени выполнения R-кода. Некоторую вариативность результатов можно увидеть, даже если выполнить функцию <code>system.time()</code> несколько раз подряд. Подобной неточности оценки можно избежать путём многократного повторения выполняемых выражений и вычислением среднего времени, что позволит сгладить часть вариаций. |
Проиллюстрируем вышесказанное на примере: | Проиллюстрируем вышесказанное на примере: | ||
− | < | + | {{r-code|code=<nowiki>replicate(10, system.time(mean(x))[["elapsed"]]) |
− | > replicate(10, system.time(mean(x))[["elapsed"]]) | + | #> [1] 0.016 0.016 0.016 0.016 0.016 0.017 0.016 0.017 0.017 0.017 |
− | [1] 0. | + | </nowiki>}} |
− | </ | + | |
− | В этом примере с помощью функции | + | В этом примере с помощью функции <code>replicate()</code> мы повторили выражение <code>system.time(mean(x))</code> 10 раз, отфильтровав вывод функции <code>system.time()</code> так, чтобы нам выводилось только время выполнения команды, дописав <code>[["elapsed"]]</code>. Как мы видим, время выполнения при повторном выполнении выражения может отличаться. |
− | Базовый пакет позволяет реализовать процедуру многократного повторения выражения функции как минимум двумя способами. Первый - функция | + | Базовый пакет позволяет реализовать процедуру многократного повторения выражения функции как минимум двумя способами. Первый - функция <code>replicate()</code>. Приведенное выше сопоставление времени выполнения двух выражений при использовании функции <code>replicate()</code> будет выглядеть следующим образом: |
− | < | + | {{r-code|code=<nowiki>system.time(replicate(100, mean(x))) |
− | > system.time(replicate(100, mean(x))) | + | #> user system elapsed |
− | + | #> 1.586 0.027 1.621 | |
− | + | system.time(replicate(100, sum(x) / length(x))) | |
− | + | #> user system elapsed | |
− | + | #> 0.806 0.020 0.832 | |
− | + | </nowiki>}} | |
− | </ | + | |
− | Тот же самый эффект можно получить и с помощью обычного цикла | + | Тот же самый эффект можно получить и с помощью обычного цикла <code>for()</code>: |
− | < | + | {{r-code|code=<nowiki>system.time(for (i in seq_len(100)) mean(x)) |
− | > system.time(for (i in seq_len(100)) mean(x)) | + | #> user system elapsed |
− | + | #> 1.563 0.050 1.620 | |
− | + | system.time(for (i in seq_len(100)) sum(x) / length(x)) | |
− | + | #> user system elapsed | |
− | + | #> 0.806 0.020 0.830 | |
− | + | </nowiki>}} | |
− | </ | + | |
Можно также использовать описательные статистики в сочетании с множественными повторениями: | Можно также использовать описательные статистики в сочетании с множественными повторениями: | ||
− | < | + | {{r-code|code=<nowiki>median(replicate(100, system.time(mean(x))[["elapsed"]])) |
− | > median(replicate(100, system.time(mean(x))[["elapsed"]])) | + | #> [1] 0.016 |
− | [1] 0. | + | </nowiki>}} |
− | </ | + | |
− | В примере выше мы взяли только значения | + | В примере выше мы взяли только значения <code>elapsed</code> и рассчитали медиану <ref>Медиана является более устойчивой мерой центральной тенденции при асимметрии распределения, что, как правило, характерно для измерения времени.</ref>. |
− | Вместо подобных решений можно использовать специальные пакеты, предназначенные для измерения производительности кода, в частности, пакеты {{ | + | Вместо подобных решений можно использовать специальные пакеты, предназначенные для измерения производительности кода, в частности, пакеты {{r-package|rbenchmark}} и {{r-package|microbenchmark}}. Основной принцип работы этих пакетов заключается в многократном выполнении выражений и расчёта ряда интегральных показателей, в частности, суммы, среднего значения или медианы времени выполнения всех попыток. |
− | == Пакет rbenchmark == | + | == Пакет {{r-package|rbenchmark}} == |
− | == Пакет microbenchmark == | + | Основа пакета {{r-package|rbenchmark}} - функция <code>benchmark()</code>. Данная функция работает следующим образом: указанные в качестве аргументов выражения выполняются заданное количество раз (по умолчанию 100) и вычисляется время, затраченное на выполнение всех попыток. В качестве аргументов функции <code>benchmark()</code> необходимо передать выражения или функции, а также количество повторений, передаваемых аргументом replications<ref>Анализ функции <code>benchmark()</code> показал, что, данная функция использует <code>system.time()</code> и <code>replicate()</code>, рассмотренные в предыдущем разделе.</ref>. |
+ | |||
+ | Для примера возьмём несколько способов расчёта среднего арифметического для сгенерированного массива данных. | ||
+ | |||
+ | {{r-code|code=<nowiki>x <- replicate(10, rnorm(10^6L)) | ||
+ | </nowiki>}} | ||
+ | |||
+ | Использованные нами способы - функции векторизованных вычислений (<code>apply()</code>, <code>vapply()</code>), стандартный цикл и специальная функция вычисления средних по столбцам <code>ColMeans()</code>. Представим эти способы в виде самостоятельных функций для удобства их вызова при работе с <code>benchmark()</code>: | ||
+ | |||
+ | {{r-code|code=<nowiki>colMeansApply <- function(x) { | ||
+ | apply(x, 2, mean) | ||
+ | } | ||
+ | |||
+ | colMeansVapply <- function(x) { | ||
+ | vapply(seq_len(ncol(x)), function(i) mean(x[, i]), FUN.VALUE = numeric(1)) | ||
+ | } | ||
+ | |||
+ | colMeansLoop <- function(x) { | ||
+ | n.vars <- ncol(x) | ||
+ | res <- double(n.vars) | ||
+ | for (i in seq_len(n.vars)) | ||
+ | res[i] <- mean(x[, i]) | ||
+ | return(res) | ||
+ | } | ||
+ | |||
+ | colMeansLoopVec <- function(x) { | ||
+ | n.vars <- ncol(x) | ||
+ | n <- nrow(x) | ||
+ | res <- double(n.vars) | ||
+ | for (i in seq_len(n.vars)) | ||
+ | res[i] <- sum(x[, i]) / n | ||
+ | return(res) | ||
+ | } | ||
+ | </nowiki>}} | ||
+ | |||
+ | Убедимся, что функции возвращают одинаковый результат. Сделать это можно с помощью функций <code>identical()</code> или <code>all.equal()</code>: | ||
+ | |||
+ | {{r-code|code=<nowiki>identical(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), colMeansLoopVec(x), colMeans(x)) | ||
+ | #> [1] TRUE | ||
+ | </nowiki>}} | ||
+ | |||
+ | Теперь, подключив пакет {{r-package|rbenchmark}}, мы можем сравнить время работы каждого из выбранных нами способов вычисления средних по столбцам: | ||
+ | |||
+ | {{r-code|code=<nowiki>benchmark(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), | ||
+ | colMeansLoopVec(x), colMeans(x), replications = 100) | ||
+ | #> test replications elapsed relative user.self sys.self user.child sys.child | ||
+ | #> 1 colMeansApply(x) 100 14.974 18.328 13.380 1.540 0 0 | ||
+ | #> 4 colMeansLoopVec(x) 100 7.088 8.676 6.793 0.270 0 0 | ||
+ | #> 3 colMeansLoop(x) 100 8.004 9.797 7.630 0.340 0 0 | ||
+ | #> 2 colMeansVapply(x) 100 7.851 9.610 7.407 0.417 0 0 | ||
+ | #> 5 colMeans(x) 100 0.817 1.000 0.787 0.026 0 0 | ||
+ | </nowiki>}} | ||
+ | |||
+ | Наиболее важны для нас в выводе функции <code>benchmark()</code> столбцы <code>elapsed</code> и <code>relative</code>. Столбец <code>elapsed</code> показывает время в секундах, затраченное на выполнение интересующей нас функции. Как видим из примера, самыми медленными оказались функции <code>colMeansApply()</code> и <code>colMeansLoop()</code>, а самой быстрой <code>colMeans()</code>, причём превосходит остальные по скорости выполнения как минимум в 7 раз. | ||
+ | |||
+ | Показатель <code>relative</code> дает информацию о разнице во времени относительно самого быстрого выражения (в нашем случае это <code>ColMeans()</code>), т.е. время самого быстрого выражения берётся за единицу, и рассчитывается относительное время для остальных выражений. | ||
+ | |||
+ | Для более удобного просмотра можно отфильтровать вывод функции <code>benchmark()</code> с помощью аргумента <code>columns</code>. Также может быть полезен аргумент <code>order</code>, позволяющий отсортировать вывод по любому из столбцов. Для примера зададим набор показателей, которые мы хотим включить в таблицу (в данном случае это «test», «replications», «elapsed», «relative»), и отсортируем выдачу по столбцу «elapsed» по возрастанию значений: | ||
+ | |||
+ | {{r-code|code=<nowiki>benchmark(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), colMeansLoopVec(x), colMeans(x), | ||
+ | replications = 100, order = "relative", | ||
+ | columns = c("test", "replications", "elapsed", "relative")) | ||
+ | #> test replications elapsed relative | ||
+ | #> 5 colMeans(x) 100 0.797 1.000 | ||
+ | #> 4 colMeansLoopVec(x) 100 6.856 8.602 | ||
+ | #> 3 colMeansLoop(x) 100 7.633 9.577 | ||
+ | #> 2 colMeansVapply(x) 100 7.722 9.689 | ||
+ | #> 1 colMeansApply(x) 100 15.167 19.030 | ||
+ | </nowiki>}} | ||
+ | |||
+ | Таким образом, сравнив несколько альтернатив решения нашей задачи, мы можем сделать обоснованный выбор в пользу наиболее эффективного варианта. | ||
+ | |||
+ | Чтобы не указывать нужные столбцы каждый раз, когда используется функция <code>benchmark()</code>, можно закрепить заданный формат выдачи результатов (далее используется именно такой формат вывода, с сортировкой по столбцу «relative»). Для этого следует воспользоваться функцией <code>formals()</code>: | ||
+ | |||
+ | {{r-code|code=<nowiki>formals(benchmark)$columns <- c("test", "replications", "elapsed", "relative") | ||
+ | formals(benchmark)$order <- "relative" | ||
+ | </nowiki>}} | ||
+ | |||
+ | == Пакет {{r-package|microbenchmark}} == | ||
+ | |||
+ | Функция <code>microbenchmark()</code> одноименного пакета работает сходным с функцией <code>benchmark()</code> образом, но предоставляет более гибкие средства по управлению процессом выполнения выражений<ref>Но в отличии от функции benchmark() использует собственную реализацию измерения времени выполнения и организацию повторных испытаний.</ref>. Особенностями реализованных в пакете {{r-package|microbenchmark}} являются: | ||
+ | |||
+ | * Возможность измерения времени выполнения выражения вплоть до наносекунд; | ||
+ | * Возможность контролировать последовательность выполнения выражений: случайно или последовательно; | ||
+ | * Возможность проведения предварительных испытаний до начала процесса измерений. | ||
+ | |||
+ | Также с помощью функции <code>microbenchmark()</code> можно получить исходную информацию о времени выполнения каждой попытки, что даёт достаточно широкие возможности по обработке и анализу полученных результатов. | ||
+ | |||
+ | В таблице ниже представлено время выполнения пяти функций вычисления среднего значения из предыдущего примера, полученное с помощью функции <code>microbenchmark()</code>: | ||
+ | |||
+ | {{r-code|code=<nowiki>res <- microbenchmark(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), | ||
+ | colMeansLoopVec(x), colMeans(x), times = 100) | ||
+ | print(res, unit = "ms", order = "median") | ||
+ | #> Unit: milliseconds | ||
+ | #> expr min lq median uq max neval | ||
+ | #> colMeans(x) 7.805 7.824 7.841 7.865 8.295 100 | ||
+ | #> colMeansLoopVec(x) 65.429 67.680 77.083 79.558 95.667 100 | ||
+ | #> colMeansVapply(x) 73.158 74.701 83.481 87.724 102.963 100 | ||
+ | #> colMeansLoop(x) 73.163 75.355 85.780 87.986 110.389 100 | ||
+ | #> colMeansApply(x) 103.357 138.125 145.323 148.876 180.600 100 | ||
+ | </nowiki>}} | ||
+ | |||
+ | Все результаты представлены в виде описательных статистик, рассчитанных из времени выполнения каждой попытки. Наиболее информативный столбец - это столбец median, который показывает медиану времени выполнения выражения для всех попыток. | ||
+ | |||
+ | Вся полученная информация о попытках применения функций вычисления средних записана в отдельную переменную <code>res</code>. С помощью функции <code>str()</code> можно увидеть структуру переменной: | ||
+ | |||
+ | {{r-code|code=<nowiki>str(res) | ||
+ | #> Classes 'microbenchmark' and 'data.frame': 500 obs. of 2 variables: | ||
+ | #> $ expr: Factor w/ 5 levels "colMeansApply(x)",..: 3 2 4 2 2 2 3 5 4 1 ... | ||
+ | #> $ time: num 86781202 81161181 65429189 74434388 74424478 ... | ||
+ | </nowiki>}} | ||
+ | |||
+ | Переменная <code>res</code>, как можно увидеть в выводе функции <code>str()</code>, представляет собой список (list) и включает в себя две переменные: <code>expr</code> (выражение) и <code>time</code> (время выполнения). На основе этой информации и рассчитываются описательные статистики, приведённые в примере применения функции <code>microbenchmark()</code>. Наличие исходных данных о каждой попытке позволяет самостоятельно выбирать, рассчитывать и сравнивать предпочтитаемые показатели. Например, расчет медианного времени выполнения попытки и общего времени выполнения всех попыток для каждого выражения выглядит следующим образом: | ||
+ | |||
+ | {{r-code|code=<nowiki>aggregate(time ~ expr, data = res, function(x) median(x) * 10^-6L) | ||
+ | #> expr time | ||
+ | #> 1 colMeansApply(x) 145.323 | ||
+ | #> 2 colMeansVapply(x) 83.481 | ||
+ | #> 3 colMeansLoop(x) 85.780 | ||
+ | #> 4 colMeansLoopVec(x) 77.083 | ||
+ | #> 5 colMeans(x) 7.841 | ||
+ | aggregate(time ~ expr, data = res, function(x) sum(x) * 10^-6L) | ||
+ | #> expr time | ||
+ | #> 1 colMeansApply(x) 14224.3 | ||
+ | #> 2 colMeansVapply(x) 8193.4 | ||
+ | #> 3 colMeansLoop(x) 8309.6 | ||
+ | #> 4 colMeansLoopVec(x) 7483.0 | ||
+ | #> 5 colMeans(x) 785.7 | ||
+ | </nowiki>}} | ||
+ | |||
+ | Умножение на <math>10^{-6}</math> --- это перевод в миллисекунды. Чтобы получить секунды, нужно, соответственно, умножить на <math>10^{-9}</math>. | ||
+ | |||
+ | Помимо настройки формата вывода, выбора показателей, наличие информации о времени выполнения выражения в каждой попытке позволяет визуализировать результаты оценки времени выполнения выражения. Например, с помощью функции <code>autoplot()</code> из пакета {{r-package|ggplot2}}, можно получить следующий график: | ||
+ | |||
+ | {{r-code|code=<nowiki>autoplot(res) | ||
+ | </nowiki>}} | ||
+ | |||
+ | [[Файл:Microbenchmark-autoplot-colMeans.svg|600px|центр]] | ||
+ | |||
+ | Ещё один довольно интересный способ графического представления результатов измерения скорости выполнения кода с помощью функции <code>qplot()</code> представлен ниже: | ||
+ | |||
+ | {{r-code|code=<nowiki>qplot(y = time, data = res, colour = expr) | ||
+ | </nowiki>}} | ||
+ | |||
+ | [[Файл:Microbenchmark-dotplot-colMeans.svg|600px|центр]] | ||
+ | |||
+ | Так же можно, если возникнет необходимость, оценить статистическую значимость различий во времени выполнения выражений. Благодаря тому, что в переменной <code>res</code> хранятся данные о времени выполнения каждой попытки из заданного числа, становится возможным использование статистических критериев. Выбор критерия - на усмотрение аналитика, в примере ниже использовался параметрический критерий сравнения групп t-Стьюдента с поправкой уровня статистической значимости Холма для множественных сравнений: | ||
+ | |||
+ | {{r-code|code=<nowiki>pairwise.t.test(res$time, res$expr) | ||
+ | #> | ||
+ | #> Pairwise comparisons using t tests with pooled SD | ||
+ | #> | ||
+ | #> data: res$time and res$expr | ||
+ | #> | ||
+ | #> colMeansApply(x) colMeansVapply(x) colMeansLoop(x) colMeansLoopVec(x) | ||
+ | #> colMeansVapply(x) < 2e-16 - - - | ||
+ | #> colMeansLoop(x) < 2e-16 0.31 - - | ||
+ | #> colMeansLoopVec(x) < 2e-16 2.6e-09 6.9e-12 - | ||
+ | #> colMeans(x) < 2e-16 < 2e-16 < 2e-16 < 2e-16 | ||
+ | #> | ||
+ | #> P value adjustment method: holm | ||
+ | </nowiki>}} | ||
+ | |||
+ | Из вышеприведённого вывода видно, что скорость выполнения всех функций статистически значимо разлиается у всех функций, за исключением пары <code>colMeansLoop(x)</code> - <code>colMeansVapply(x)</code> (p-уровень = 0.62). | ||
== Примечания == | == Примечания == | ||
<references /> | <references /> | ||
+ | |||
+ | == Ссылки == | ||
+ | |||
+ | * Olaf Mersmann (2013). microbenchmark: Sub microsecond accurate timing functions.. R package version 1.3-0. | ||
+ | *: http://CRAN.R-project.org/package=microbenchmark | ||
+ | * Wacek Kusnierczyk (2012). rbenchmark: Benchmarking routine for R. R package version 1.0.0. | ||
+ | *: http://CRAN.R-project.org/package=rbenchmark | ||
[[Категория:R]] | [[Категория:R]] | ||
[[Категория:Оптимизация кода]] | [[Категория:Оптимизация кода]] |
Текущая версия на 17:45, 28 мая 2014
|
Материал «R:Измерение времени выполнения выражений», созданный автором Артём Клевцов, публикуется на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная. | |
|
Перед использованием функций из пакетов их необходимо предварительно установить и загрузить: КодR <syntaxhighlight lang="r">> install.packages(pkgs = "pkgname") > library(package = "pkgname")</syntaxhighlight> |
Для измерения времени выполнения выражений используют следующие инструменты:
- Функция
system.time()
из базового пакета; - Cпециализированные функции (benchmarks, бенчмарки);
- Функция профилирования времени выполнения кода
Rprof()
.
Функция system.time
Самый простой инструмент для измерения времени выполнения кода - функция system.time()
из пакета base
. В качестве аргумента функция system.time()
принимает выражения и возвращает время выполнения данного выражения. Измерим время выполнения функции Sys.sleep()
, которая останавливает выполнение кода на заданный интервал времени (в секундах):
<syntaxhighlight lang="r">system.time(Sys.sleep(1)) #> user system elapsed #> 0.000 0.000 1.001 </syntaxhighlight>
Как видим, на выполнение данной операции заняло ровно одну секунду.
Приведём ещё один пример. Сравним время вычисления встроенной в R функции mean()
и среднего, вычисленного по формуле [math]\frac{1}{n}\sum_{i=1}^{n}x_{i}[/math]. на сгенерированном массиве нормально распределенных значений:
<syntaxhighlight lang="r">x <- rnorm(10^7L) system.time(mean(x)) #> user system elapsed #> 0.013 0.003 0.016 system.time(sum(x) / length(x)) #> user system elapsed #> 0.010 0.000 0.008 </syntaxhighlight>
Функция возвращает 3 значения:
-
user
- время CPU, которое занял пользователь; -
system
- время CPU, которое заняла система; -
elapsed
- реальное время, которое заняло выполнение команды.
Соответственно, в выводе функции нас интересует значение elapsed
, который показывает время выполнения функции (выражения) в секундах. Как мы видим, внешне более сложное выражение sum(x) / length(x)
выполняется быстрее стандартной функции mean(x)
.
К сожалению, подобный способ достаточно ненадежен, так как для оценки времени выполнения выражения функция system.time()
обращается к системным значениям времени. Следовательно, если во время выполнения кода параллельно производятся и другие операции на компьютере (а такое случается практически в ста процентах случаев), то возможно увеличение времени выполнения R-кода. Некоторую вариативность результатов можно увидеть, даже если выполнить функцию system.time()
несколько раз подряд. Подобной неточности оценки можно избежать путём многократного повторения выполняемых выражений и вычислением среднего времени, что позволит сгладить часть вариаций.
Проиллюстрируем вышесказанное на примере:
<syntaxhighlight lang="r">replicate(10, system.time(mean(x))[["elapsed"]]) #> [1] 0.016 0.016 0.016 0.016 0.016 0.017 0.016 0.017 0.017 0.017 </syntaxhighlight>
В этом примере с помощью функции replicate()
мы повторили выражение system.time(mean(x))
10 раз, отфильтровав вывод функции system.time()
так, чтобы нам выводилось только время выполнения команды, дописав "elapsed"
. Как мы видим, время выполнения при повторном выполнении выражения может отличаться.
Базовый пакет позволяет реализовать процедуру многократного повторения выражения функции как минимум двумя способами. Первый - функция replicate()
. Приведенное выше сопоставление времени выполнения двух выражений при использовании функции replicate()
будет выглядеть следующим образом:
<syntaxhighlight lang="r">system.time(replicate(100, mean(x))) #> user system elapsed #> 1.586 0.027 1.621 system.time(replicate(100, sum(x) / length(x))) #> user system elapsed #> 0.806 0.020 0.832 </syntaxhighlight>
Тот же самый эффект можно получить и с помощью обычного цикла for()
:
<syntaxhighlight lang="r">system.time(for (i in seq_len(100)) mean(x)) #> user system elapsed #> 1.563 0.050 1.620 system.time(for (i in seq_len(100)) sum(x) / length(x)) #> user system elapsed #> 0.806 0.020 0.830 </syntaxhighlight>
Можно также использовать описательные статистики в сочетании с множественными повторениями:
<syntaxhighlight lang="r">median(replicate(100, system.time(mean(x))[["elapsed"]])) #> [1] 0.016 </syntaxhighlight>
В примере выше мы взяли только значения elapsed
и рассчитали медиану [1].
Вместо подобных решений можно использовать специальные пакеты, предназначенные для измерения производительности кода, в частности, пакеты rbenchmark
и microbenchmark
. Основной принцип работы этих пакетов заключается в многократном выполнении выражений и расчёта ряда интегральных показателей, в частности, суммы, среднего значения или медианы времени выполнения всех попыток.
Пакет rbenchmark
Основа пакета rbenchmark
- функция benchmark()
. Данная функция работает следующим образом: указанные в качестве аргументов выражения выполняются заданное количество раз (по умолчанию 100) и вычисляется время, затраченное на выполнение всех попыток. В качестве аргументов функции benchmark()
необходимо передать выражения или функции, а также количество повторений, передаваемых аргументом replications[2].
Для примера возьмём несколько способов расчёта среднего арифметического для сгенерированного массива данных.
<syntaxhighlight lang="r">x <- replicate(10, rnorm(10^6L)) </syntaxhighlight>
Использованные нами способы - функции векторизованных вычислений (apply()
, vapply()
), стандартный цикл и специальная функция вычисления средних по столбцам ColMeans()
. Представим эти способы в виде самостоятельных функций для удобства их вызова при работе с benchmark()
:
<syntaxhighlight lang="r">colMeansApply <- function(x) { apply(x, 2, mean) } colMeansVapply <- function(x) { vapply(seq_len(ncol(x)), function(i) mean(x[, i]), FUN.VALUE = numeric(1)) } colMeansLoop <- function(x) { n.vars <- ncol(x) res <- double(n.vars) for (i in seq_len(n.vars)) res[i] <- mean(x[, i]) return(res) } colMeansLoopVec <- function(x) { n.vars <- ncol(x) n <- nrow(x) res <- double(n.vars) for (i in seq_len(n.vars)) res[i] <- sum(x[, i]) / n return(res) } </syntaxhighlight>
Убедимся, что функции возвращают одинаковый результат. Сделать это можно с помощью функций identical()
или all.equal()
:
<syntaxhighlight lang="r">identical(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), colMeansLoopVec(x), colMeans(x)) #> [1] TRUE </syntaxhighlight>
Теперь, подключив пакет rbenchmark
, мы можем сравнить время работы каждого из выбранных нами способов вычисления средних по столбцам:
<syntaxhighlight lang="r">benchmark(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), colMeansLoopVec(x), colMeans(x), replications = 100) #> test replications elapsed relative user.self sys.self user.child sys.child #> 1 colMeansApply(x) 100 14.974 18.328 13.380 1.540 0 0 #> 4 colMeansLoopVec(x) 100 7.088 8.676 6.793 0.270 0 0 #> 3 colMeansLoop(x) 100 8.004 9.797 7.630 0.340 0 0 #> 2 colMeansVapply(x) 100 7.851 9.610 7.407 0.417 0 0 #> 5 colMeans(x) 100 0.817 1.000 0.787 0.026 0 0 </syntaxhighlight>
Наиболее важны для нас в выводе функции benchmark()
столбцы elapsed
и relative
. Столбец elapsed
показывает время в секундах, затраченное на выполнение интересующей нас функции. Как видим из примера, самыми медленными оказались функции colMeansApply()
и colMeansLoop()
, а самой быстрой colMeans()
, причём превосходит остальные по скорости выполнения как минимум в 7 раз.
Показатель relative
дает информацию о разнице во времени относительно самого быстрого выражения (в нашем случае это ColMeans()
), т.е. время самого быстрого выражения берётся за единицу, и рассчитывается относительное время для остальных выражений.
Для более удобного просмотра можно отфильтровать вывод функции benchmark()
с помощью аргумента columns
. Также может быть полезен аргумент order
, позволяющий отсортировать вывод по любому из столбцов. Для примера зададим набор показателей, которые мы хотим включить в таблицу (в данном случае это «test», «replications», «elapsed», «relative»), и отсортируем выдачу по столбцу «elapsed» по возрастанию значений:
<syntaxhighlight lang="r">benchmark(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), colMeansLoopVec(x), colMeans(x), replications = 100, order = "relative", columns = c("test", "replications", "elapsed", "relative")) #> test replications elapsed relative #> 5 colMeans(x) 100 0.797 1.000 #> 4 colMeansLoopVec(x) 100 6.856 8.602 #> 3 colMeansLoop(x) 100 7.633 9.577 #> 2 colMeansVapply(x) 100 7.722 9.689 #> 1 colMeansApply(x) 100 15.167 19.030 </syntaxhighlight>
Таким образом, сравнив несколько альтернатив решения нашей задачи, мы можем сделать обоснованный выбор в пользу наиболее эффективного варианта.
Чтобы не указывать нужные столбцы каждый раз, когда используется функция benchmark()
, можно закрепить заданный формат выдачи результатов (далее используется именно такой формат вывода, с сортировкой по столбцу «relative»). Для этого следует воспользоваться функцией formals()
:
<syntaxhighlight lang="r">formals(benchmark)$columns <- c("test", "replications", "elapsed", "relative") formals(benchmark)$order <- "relative" </syntaxhighlight>
Пакет microbenchmark
Функция microbenchmark()
одноименного пакета работает сходным с функцией benchmark()
образом, но предоставляет более гибкие средства по управлению процессом выполнения выражений[3]. Особенностями реализованных в пакете microbenchmark
являются:
- Возможность измерения времени выполнения выражения вплоть до наносекунд;
- Возможность контролировать последовательность выполнения выражений: случайно или последовательно;
- Возможность проведения предварительных испытаний до начала процесса измерений.
Также с помощью функции microbenchmark()
можно получить исходную информацию о времени выполнения каждой попытки, что даёт достаточно широкие возможности по обработке и анализу полученных результатов.
В таблице ниже представлено время выполнения пяти функций вычисления среднего значения из предыдущего примера, полученное с помощью функции microbenchmark()
:
<syntaxhighlight lang="r">res <- microbenchmark(colMeansApply(x), colMeansVapply(x), colMeansLoop(x), colMeansLoopVec(x), colMeans(x), times = 100) print(res, unit = "ms", order = "median") #> Unit: milliseconds #> expr min lq median uq max neval #> colMeans(x) 7.805 7.824 7.841 7.865 8.295 100 #> colMeansLoopVec(x) 65.429 67.680 77.083 79.558 95.667 100 #> colMeansVapply(x) 73.158 74.701 83.481 87.724 102.963 100 #> colMeansLoop(x) 73.163 75.355 85.780 87.986 110.389 100 #> colMeansApply(x) 103.357 138.125 145.323 148.876 180.600 100 </syntaxhighlight>
Все результаты представлены в виде описательных статистик, рассчитанных из времени выполнения каждой попытки. Наиболее информативный столбец - это столбец median, который показывает медиану времени выполнения выражения для всех попыток.
Вся полученная информация о попытках применения функций вычисления средних записана в отдельную переменную res
. С помощью функции str()
можно увидеть структуру переменной:
<syntaxhighlight lang="r">str(res) #> Classes 'microbenchmark' and 'data.frame': 500 obs. of 2 variables: #> $ expr: Factor w/ 5 levels "colMeansApply(x)",..: 3 2 4 2 2 2 3 5 4 1 ... #> $ time: num 86781202 81161181 65429189 74434388 74424478 ... </syntaxhighlight>
Переменная res
, как можно увидеть в выводе функции str()
, представляет собой список (list) и включает в себя две переменные: expr
(выражение) и time
(время выполнения). На основе этой информации и рассчитываются описательные статистики, приведённые в примере применения функции microbenchmark()
. Наличие исходных данных о каждой попытке позволяет самостоятельно выбирать, рассчитывать и сравнивать предпочтитаемые показатели. Например, расчет медианного времени выполнения попытки и общего времени выполнения всех попыток для каждого выражения выглядит следующим образом:
<syntaxhighlight lang="r">aggregate(time ~ expr, data = res, function(x) median(x) * 10^-6L) #> expr time #> 1 colMeansApply(x) 145.323 #> 2 colMeansVapply(x) 83.481 #> 3 colMeansLoop(x) 85.780 #> 4 colMeansLoopVec(x) 77.083 #> 5 colMeans(x) 7.841 aggregate(time ~ expr, data = res, function(x) sum(x) * 10^-6L) #> expr time #> 1 colMeansApply(x) 14224.3 #> 2 colMeansVapply(x) 8193.4 #> 3 colMeansLoop(x) 8309.6 #> 4 colMeansLoopVec(x) 7483.0 #> 5 colMeans(x) 785.7 </syntaxhighlight>
Умножение на [math]10^{-6}[/math] --- это перевод в миллисекунды. Чтобы получить секунды, нужно, соответственно, умножить на [math]10^{-9}[/math].
Помимо настройки формата вывода, выбора показателей, наличие информации о времени выполнения выражения в каждой попытке позволяет визуализировать результаты оценки времени выполнения выражения. Например, с помощью функции autoplot()
из пакета ggplot2
, можно получить следующий график:
<syntaxhighlight lang="r">autoplot(res) </syntaxhighlight>
Ещё один довольно интересный способ графического представления результатов измерения скорости выполнения кода с помощью функции qplot()
представлен ниже:
<syntaxhighlight lang="r">qplot(y = time, data = res, colour = expr) </syntaxhighlight>
Так же можно, если возникнет необходимость, оценить статистическую значимость различий во времени выполнения выражений. Благодаря тому, что в переменной res
хранятся данные о времени выполнения каждой попытки из заданного числа, становится возможным использование статистических критериев. Выбор критерия - на усмотрение аналитика, в примере ниже использовался параметрический критерий сравнения групп t-Стьюдента с поправкой уровня статистической значимости Холма для множественных сравнений:
<syntaxhighlight lang="r">pairwise.t.test(res$time, res$expr) #> #> Pairwise comparisons using t tests with pooled SD #> #> data: res$time and res$expr #> #> colMeansApply(x) colMeansVapply(x) colMeansLoop(x) colMeansLoopVec(x) #> colMeansVapply(x) < 2e-16 - - - #> colMeansLoop(x) < 2e-16 0.31 - - #> colMeansLoopVec(x) < 2e-16 2.6e-09 6.9e-12 - #> colMeans(x) < 2e-16 < 2e-16 < 2e-16 < 2e-16 #> #> P value adjustment method: holm </syntaxhighlight>
Из вышеприведённого вывода видно, что скорость выполнения всех функций статистически значимо разлиается у всех функций, за исключением пары colMeansLoop(x)
- colMeansVapply(x)
(p-уровень = 0.62).
Примечания
- ↑ Медиана является более устойчивой мерой центральной тенденции при асимметрии распределения, что, как правило, характерно для измерения времени.
- ↑ Анализ функции
benchmark()
показал, что, данная функция используетsystem.time()
иreplicate()
, рассмотренные в предыдущем разделе. - ↑ Но в отличии от функции benchmark() использует собственную реализацию измерения времени выполнения и организацию повторных испытаний.
Ссылки
- Olaf Mersmann (2013). microbenchmark: Sub microsecond accurate timing functions.. R package version 1.3-0.
- Wacek Kusnierczyk (2012). rbenchmark: Benchmarking routine for R. R package version 1.0.0.