Skip to content

Data Science › R Foundations › 寫出有效率的 R

寫出有效率的 R (Writing Efficient R Code) ​

R 是為了「寫得快」而不是「跑得快」設計的。多數分析程式只有少數幾行是瓶頸,所以優化的順序是:先量測 → 找熱點 → 改成更像 R 的寫法 → 還不夠才平行化或 Rcpp。Python 的對應內容見 效能與擴展。

優化流程 ​

text
程式真的慢嗎?(在實際資料量下)
  └─ 是 → profvis 找出最慢的幾行
            └─ 1. 移除重複計算、不必要的中間物件
               2. 向量化 / 改用專用函式(rowSums、matrixStats、data.table)
               3. 迴圈內不要讓物件長大:預先配置、結果先放 list 最後合併
               4. bench::mark 比較改寫前後(結果相同、速度確實變快)
               5. 仍是瓶頸:獨立任務 → 平行化;單一緊密迴圈 → Rcpp

沒有量測就優化,常常是花一小時把只佔 1% 時間的程式加速 10 倍。

量測:計時、benchmark、profiling ​

r
# 1. 粗略計時
system.time(fit <- lm(y ~ ., data = df))      # elapsed 是牆鐘時間

# 2. 比較替代寫法:bench::mark 預設會檢查各寫法結果是否相同
bench::mark(
  loop   = { s <- 0; for (v in x) s <- s + v; s },
  vector = sum(x),
  iterations = 50
)                                             # 看 median 與 mem_alloc 欄

# 3. 找熱點:逐行顯示時間與記憶體(RStudio / Positron 內顯示火焰圖)
profvis::profvis({
  df <- read_and_clean("data.csv")
  res <- run_models(df)
})

# base R 的 profiler(profvis 底層也是它)
Rprof("profile.out"); run_models(df); Rprof(NULL)
summaryRprof("profile.out")$by.self |> head()
工具回答什麼備註
system.time()這段要多久單次測量,有雜訊
bench::mark()A、B 哪個快、記憶體用多少自動驗證結果一致;microbenchmark 是較舊的替代
profvis::profvis()時間花在哪幾行抽樣式 profiler,太短的程式抓不到
lobstr::obj_size()物件佔多少記憶體比 object.size() 正確計算共享部分
tracemem(x)x 何時被複製找出意外的 copy-on-modify

向量化與專用函式 ​

R 的向量運算在 C 層迴圈,比在 R 層逐元素處理快得多。

慢寫法快寫法
for 逐元素相加x + y
apply(m, 1, sum) / apply(m, 2, mean)rowSums(m) / colMeans(m)
apply(m, 1, var)、apply(m, 1, median)matrixStats::rowVars(m)、rowMedians(m)
for + if 逐列判斷ifelse()、dplyr::if_else()、case_when()
逐列取兩欄較大值pmax(a, b)
sapply(x, function(v) v %in% set)x %in% set(內部用 hash)
對每個基因跑 t.test()matrixStats / genefilter::rowttests(),或 limma 一次擬合
每組用迴圈 subset 再算data.table 的 by=、dplyr::summarise(.by = )
r
# 例:基因 × 樣本矩陣的 CPM 與過濾,全向量化
lib  <- colSums(counts)
cpm  <- t(t(counts) / lib) * 1e6        # 每欄除以自己的 library size
# 或 sweep(counts, 2, lib, "/") * 1e6
keep <- rowSums(cpm >= 1) >= 3          # 至少 3 個樣本 CPM ≥ 1

單細胞計數矩陣 90% 以上是 0,用 Matrix 套件的稀疏矩陣(dgCMatrix)可省下數十倍記憶體;as.matrix() 一個 3 萬基因 × 10 萬細胞的矩陣約需 24 GB(3×10⁹ × 8 bytes)。

記憶體:不要讓物件在迴圈中長大 ​

R 的物件是 copy-on-modify:每次 c(x, i) 或 rbind(df, row) 都會配置一塊新記憶體並把舊資料整份複製過去,n 次迴圈的總成本是 O(n²)。

r
# 差:每次都複製
x <- c()
for (i in 1:n) x <- c(x, i^2)

# 好:預先配置
x <- numeric(n)
for (i in seq_len(n)) x[i] <- i^2       # seq_len(n) 在 n = 0 時不會跑出 1:0

# 最好:向量化
x <- (1:n)^2

# 累積 data frame:先放 list,最後一次合併
res <- vector("list", length(files))
for (i in seq_along(files)) res[[i]] <- process(files[[i]])
out <- dplyr::bind_rows(res)             # 或 data.table::rbindlist(res)
陷阱說明
迴圈中 rbind() / c() / paste0() 累積O(n²) 複製;改預先配置或 list
修改 data frame 的單一格 df[i, j] <- v 在迴圈中每次可能複製整欄;先取出 vector 處理完再放回
保留大量中間物件用 rm() 後 gc(),或把步驟包進函式讓區域變數自然釋放
1:length(x)x 長度 0 時變成 c(1, 0);用 seq_along(x)

選對資料結構與套件 ​

情境選擇
全數值、同型別matrix(比 data frame 快,可用矩陣代數)
千萬列以上的分組 / joindata.table(就地修改、多執行緒)
讀大 CSVdata.table::fread()、vroom、arrow::read_csv_arrow()
比記憶體大的資料arrow / duckdb 延遲查詢,見 匯入資料
稀疏計數矩陣Matrix::dgCMatrix;Bioconductor 的 DelayedArray / HDF5Array 放在磁碟上
大量字串比對stringi / stringr(ICU),見 正規表示式

下一步:平行化與 Rcpp ​

瓶頸型態工具筆記
許多彼此獨立的任務(每個樣本、每個 bootstrap、參數格點)future / furrr / parallel平行運算
單一緊密迴圈、每步依賴上一步(MCMC、動態規劃)RcppRcpp
線性代數密集(大矩陣乘法、SVD)換用最佳化的 BLAS(OpenBLAS、MKL、macOS Accelerate)不必改程式

平行化有啟動與資料傳輸成本,小任務常常反而變慢;先把單核版本寫對、寫快,再平行化。

效率不是唯一目標。為了 5% 的加速把程式寫得難以閱讀,維護成本通常高於省下的時間。