Изменения

В качестве примера ниже представлены шаги процесса профилирования функции, которая рассчитывает первичные описательные статистики (среднее, медиану, стандартное отклонение, минимум и максимум) по сгенерированным <math>10^6</math> нормально распределённым значениям.

</nowiki>

}}

Объявим данную функцию:

n <- length(x)

mean <- mean(x)

Шаг 1. Создание временного файла для записи лога профилирования (необязательно):

</nowiki>

}}

Посмотреть путь и имя временного файла лога можно, введя имя переменной <code>tmp.log</code>:

[1] "/tmp/RtmpAvhCfO/prof-23b61d761805.log"

</nowiki>

Шаг 2. Собственно процедура профилирования:

> Rprof(tmp.log)

# Выполняем код

Шаг 3. Вывод результатов:

</nowiki>

}}

Шаг 4. Удаляем временный файл:

</nowiki>

}}

Рассмотрим результаты профилирования функции <code>desc()</code>:

$by.self

self.time self.pct total.time total.pct

При профилировании скриптов включение опции <code>line.profiling</code> проставляет номера строк в которых производился вызов, что позволяет проанализировать производительность всего кода:

> source("/path/scritpt.R")

> Rprof(NULL)

Также может оказаться полезной функция <code>flatProfile()</code> из пакета <code>proftools</code>. Данная функция выводит таблицу, сходную с таблицей «by.total» возвращаемую функцией <code>summaryRprof()</code>, в одну и сортирует их по общему времени выполнения в процентах или по времени выполнения функции в процентах, если указать <code>byTotal = FALSE</code>:

> flatProfile(readProfileData(tmp.log))

total.pct total.time self.pct self.time

Пакет <code>profr</code> предоставляет несколько функций для упрощения процесса профилирования, а также позволяет графически представить результаты профилирования. Результаты работы функции <code>profr</code> представляют собой таблицу, с хронологическим перечислением вызовов. Поэтому при использовании данной функции необходимо использовать однократное выполнение выражения. Вышеприведённый листинг по профилированию работы функции <code>desc()</code> будет выглядеть следующим образом:

> prof <- profr(desc(x))

> print(prof)

Графическое представление результатов профилирования осуществляется с помощью стандартной функции <code>plot()</code> или <code>ggplot()</code>:

</nowiki>

}}

Мы переработали данную функцию, удалив зависимость от пакета <code>plyr</code> и существенно ускорив её. Код модифицированного варианта доступен в [https://bitbucket.org/psylab/r-scripts/src/master/proftable.R git-репозитории]. Импортировать данный скрипт можно с помощью функции <code>source_url()</code>, которая входит в состав пакета <code>devtools</code><ref>Штатная функция <code>source()</code> из пакета <code>base</code> не поддерживает загрузку файлов по протоколу https.</ref>:

> source_url("https://bitbucket.org/psylab/r-scripts/raw/master/proftable.R")

</nowiki>

Для корректной работы функции <code>proftable()</code> необходимо провести профилирование с включённой опцией <code>line.profiling</code>. Для удобства последующего анализа результатов можно сохранить функцию и её вызов в файл скрипта и вызывать его с помощью функции <code>source()</code>. Скрипт для профилирования имеет следующее содержимое:

n <- length(x)

mean <- mean(x)

Процедура профилирования осуществляется описанным выше способом:

> source("/tmp/script.R")

> Rprof(NULL)

Результаты работы функции <code>proftable()</code> представлены ниже.

PctTime Call

54.464 1#4 > median > median.default > mean > sort > sort.default > sort.int

Иногда, чтобы выяснить какой функции принадлежит тот или иной вызов, приходится анализировать содержимое функций. Чтобы увидеть содержимое функции, можно воспользоваться функцией <code>getAnywhere()</code>. Например:

A single object matching ‘median.default’ was found

It was found in the following places

С учётом выявленных «узких» мест нашей функции и проанализировав исходный код функций, мы можем оптимизировать нашу исходную функцию для достижения максимальной производительности. Наш вариант оптимизированной функции будет выглядеть следюущим образом:

n <- length(x)

mean <- sum(x) / n