簡介
Profiling的意思就是去測量程式中每個函數的執行時間。 根據經驗法則，通常有80%的執行時間耗費在20%的程式碼中！ 所以若有提昇執行效能的需求，第一步就是找出跑得慢得程式碼(bottlenecks)，再針對慢得程式碼去做優化。
介紹
ps. 以下的程式碼取自Rdebug
考慮以下三個函數：
r fun1.R fun1 <- function(x) { res <- NULL n <- nrow(x) for(i in 1:n) { if (!any(is.na(x[i,]))) { res <- rbind(res, x[i,]) } } res }
r fun2.R fun2 <- function(x) { n <- nrow(x) res <- matrix(0, n, ncol(x)) k <- 1 for(i in 1:n) { if (!any(is.na(x[i,]))) { res[k,] <- x[i,] k <- k + 1 } } res[1:(k-1),] }
r fun3.R fun3 <- function(x) { omit <- FALSE n <- ncol(x) for(i in 1:n) { omit <- omit | is.na(x[,i]) } x[!omit,] }
將上述三個function分別寫成script檔案後，執行：
``` r Rprof-exp-1.R source(‘fun1.R’) source(‘fun2.R’) source(‘fun3.R’)
size.row <- 10L^5 size.col <- 20L
x = matrix(rnorm(size.row * size.col),size.row,size.col) x[x > 1.5] = NA Rprof(“method1.out”) fun1(x) Rprof(NULL) Rprof(“method2.out”) fun2(x) Rprof(NULL) Rprof(“method3.out”) fun3(x) Rprof(NULL)
此時根目錄會有`method1.out`, `method2.out`, `method3.out`等三個檔案。
打開命令列，執行：
``` sh
R CMD Rprof method1.out
R CMD Rprof method2.out
R CMD Rprof method3.out以R CMD Rprof method1.out的結果為例：
Each sample represents 0.02 seconds.
Total run time: 168.98 seconds.
Total seconds: time spent in function and callees.
Self seconds: time spent in function alone.
% total % self
total seconds self seconds name
100.0 168.98 0.4 0.74 fun1
99.4 167.98 99.4 167.98 rbind
0.1 0.20 0.1 0.20 any
0.0 0.04 0.0 0.04 is.na
0.0 0.02 0.0 0.02 !
% self % total
self seconds total seconds name
99.4 167.98 99.4 167.98 rbind
0.4 0.74 100.0 168.98 fun1
0.1 0.20 0.1 0.20 any
0.0 0.04 0.0 0.04 is.na
0.0 0.02 0.0 0.02 !這份報告共有兩個表格：
- 表格一：
fun1(進入到退出之間)總共花了168.98秒，佔總時間的100%，但是本身(扣除可以分割的部份)只花了0.74秒，佔0.4%rbind(進去到退出之間)花了167.98秒，佔總時間的99.4%，但是本身花了167.98秒，佔整體的99.4%
- 表格二則和表格一類似，只是表格一是依照進入和退出間所佔的時間來排序，而表格二是依照本身的執行時間來排序。
由此可知，我們只要能夠針對表格二的前面數列的函數進行優化，就可以大幅度改進程式效能。
接下來看R CMD Rprof method2.out的結果：
Each sample represents 0.02 seconds.
Total run time: 0.58 seconds.
Total seconds: time spent in function and callees.
Self seconds: time spent in function alone.
% total % self
total seconds self seconds name
100.0 0.58 69.0 0.40 fun2
13.8 0.08 13.8 0.08 any
10.3 0.06 10.3 0.06 is.na
3.4 0.02 3.4 0.02 !
3.4 0.02 3.4 0.02 matrix
% self % total
self seconds total seconds name
69.0 0.40 100.0 0.58 fun2
13.8 0.08 13.8 0.08 any
10.3 0.06 10.3 0.06 is.na
3.4 0.02 3.4 0.02 !
3.4 0.02 3.4 0.02 matrix這裡使用matrix來取代rbind之後，剩下效能的瓶頸就落在any上。
所以fun3更進一步的不使用any，得到：
Each sample represents 0.02 seconds.
Total run time: 0.12 seconds.
Total seconds: time spent in function and callee
Self seconds: time spent in function alone.
% total % self
total seconds self seconds name
100.0 0.12 16.7 0.02 fun3
66.7 0.08 66.7 0.08 |
16.7 0.02 16.7 0.02 is.na
% self % total
self seconds total seconds name
66.7 0.08 66.7 0.08 |
16.7 0.02 100.0 0.12 fun3
16.7 0.02 16.7 0.02 is.na可以看到效能又好了近5倍(0.12 : 0.58)！