冠县网站建设费用,dz论坛识别手机网站自动跳转,大宗商品交易平台政策,代理小程序加盟简介
平常在撰写论文时#xff0c;会需要比较算法之间的计算时间。本篇文章给出几种测量 R 代码运行时间的方法。本文是小编学习过程中的笔记#xff0c;主要参考博客1#xff0c;2。
1. 使用 Sys.time()
小编通常使用 Sys.time() 函数来计算时间。首先记录当前运行时刻会需要比较算法之间的计算时间。本篇文章给出几种测量 R 代码运行时间的方法。本文是小编学习过程中的笔记主要参考博客12。
1. 使用 Sys.time()
小编通常使用 Sys.time() 函数来计算时间。首先记录当前运行时刻之后运行代码并记录运行完成时刻的时间。最后将两者时间相减即可。下面给出一个例子
myfunction - function() {
Sys.sleep(10) #系统休息
}start_time - Sys.time() # 记录初始时间
myfunction() # 运行你的代码
end_time - Sys.time() # 记录终止时间end_time - start_time # 计算时间差
# Time difference of 10.00363 secs2. 使用 toctoc 包
函数 tic() 和 toc() 的使用方式与前面演示的 Sys.time() 类似。但是 toctoc 包更加方便。下面给出例子
读者可以从 GitHub 或者 CRAN 上安装
# CRAN
install.packages(tictoc)
# GitHub
library(devtools); devtools::install_github(collectivemedia/tictoc)计算单个代码块
library(tictoc)
tic(sleeping)
print(falling asleep...)
sleep_for_a_minute()
print(...waking up)
toc()
# [1] falling asleep...
# [1] ...waking up
# sleeping: 11.076 sec elapsed嵌套多个计时器注意这里的第一个 tic() 对应最后一个 toc()。
tic(total) #对应最后一个toc()
tic(data generation)
X - matrix(rnorm(50000*1000), 50000, 1000)
b - sample(1:1000, 1000)
y - runif(1) X %*% b rnorm(50000)
toc()
tic(model fitting)
model - lm(y ~ X)
toc()
toc()
# data generation: 3.383 sec elapsed
# model fitting: 42.452 sec elapsed
# total: 46.428 sec elapsed3. 使用 system.time()
这个使用方式类似 Sys.time()我们继续以 myfunction() 作为例子
system.time({ myfunction() })
# user system elapsed
# 0.039 0.044 10.0014. 使用 rbenchmark 包
该包中的 microbenchmark() 函数可以进行精确的测量和比较 R 表达式的执行时间。它提供了更准确的结果可以替代 system.time() 使用。
可以通过 CRAN 或者 GitHub 安装
# CRAN
install.packages(rbenchmark)
# GitHub
devtools::install_github(eddelbuettel/rbenchmark)这里展示R-bloggers中的例子使用三个计算方法比较计算线性回归系数所需的时间
library(rbenchmark)benchmark(lm {X - matrix(rnorm(1000), 100, 10)y - X %*% sample(1:10, 10) rnorm(100)b - lm(y ~ X 0)$coef},pseudoinverse {X - matrix(rnorm(1000), 100, 10)y - X %*% sample(1:10, 10) rnorm(100)b - solve(t(X) %*% X) %*% t(X) %*% y},linear system {X - matrix(rnorm(1000), 100, 10)y - X %*% sample(1:10, 10) rnorm(100)b - solve(t(X) %*% X, t(X) %*% y)},replications 1000,columns c(test, replications, elapsed,relative, user.self, sys.self))# test replications elapsed relative user.self sys.self
# 3 linear system 1000 0.064 1.000 0.062 0.001
# 1 lm 1000 0.281 4.391 0.267 0.011
# 2 pseudoinverse 1000 0.082 1.281 0.079 0.002观察 elapsed 的结果可以看到 lm 方法计算时间是最长的。 注意读者想使用该包进行计算时间需要按照文章的形式将自己的代码填入即可。 5. microbenchmark 包
该包是 rbenchmark 包的升级版本不仅可以给出上面的结果还能通过可视化的方式展示结果。
可以通过 CRAN 或者 GitHub 安装
# CRAN
install.packages(microbenchmark)
# GitHub
remotes::install_github(joshuaulrich/microbenchmark)该函数能够使用用户指定函数自动检查基准表达式的结果。我们再次比较三种计算线性模型系数向量的方法重复运行了100次。
library(microbenchmark)set.seed(2017)
n - 10000
p - 100
X - matrix(rnorm(n*p), n, p)
y - X %*% rnorm(p) rnorm(100)check_for_equal_coefs - function(values) {tol - 1e-12 # 添加基准max_error - max(c(abs(values[[1]] - values[[2]]),abs(values[[2]] - values[[3]]),abs(values[[1]] - values[[3]])))max_error tol
}mbm - microbenchmark(lm { b - lm(y ~ X 0)$coef },pseudoinverse {b - solve(t(X) %*% X) %*% t(X) %*% y},linear system {b - solve(t(X) %*% X, t(X) %*% y)},times 100, #重复运行了100次check check_for_equal_coefs) # 添加自通检查的标准mbm
# Unit: milliseconds
# expr min lq mean median uq max neval cld
# lm 96.12717 124.43298 150.72674 135.12729 188.32154 236.4910 100 c
# pseudoinverse 26.61816 28.81151 53.32246 30.69587 80.61303 145.0489 100 b
# linear system 16.70331 18.58778 35.14599 19.48467 22.69537 138.6660 100 a注意我们使用函数参数检查来检查三种方法返回的结果的相等性最大误差为1e-12。如果结果不相等则 microbenchmark 将返回错误消息。 值得一提的是该包还整合了 ggplot2 来绘制以上结果。你只需要使用 autoplot() 即可实现
library(ggplot2)
autoplot(mbm)小编有话说
本推文给出了 5 种计算代码时间的方法。如果只是简单的使用通常小编采用第一种方法。如果需要比较不同结果并绘图。最后一种方法或许是更好的选择。
科研相关问题可见
