本文连接：Profiling R code
原创作者：xshi0001
Let’s solve the problem but let’s not make it worse by guessing. —Gene Kranz, Apollo13 Lead Flight Director.
\texbf{带着策略解决问题，而不是盲目猜测问题的所在}<em>带着策略解决问题，而不是盲目猜测问题的所在</em>
1. system.time()
作用：测试某个函数或者代码块运行时间，实用于已经知道哪一块代码运行问题
返回 pro_time 类对象,包含 user time 和 elapsed time
区别是：两类时间区别
Elapsed time > user time
system.time(readLines("http://baidu.com"))#花费更多的时间连接网站，而不是cpu处理上
注： memoise 缓存处理包
memoise 是一个非常简单的缓存包，以本地为基础，减少重复计算。当以相同的参数对同一个函数执行第二次计算的时候，可以直接用第一次计算过的结果作为计算结果。主要接口函数有memoize 和forget
library(memoise)
func1 <- memoise(function(){
Sys.sleep(1)
runif(1)
}
)
system.time(func1())
system.time(func1())#第二次在对这个相同表达式求解不需要话时间
forget(func1) #清除缓存
system.time(func1)
2. Rprof() & summaryRprof()
Rprof()函数用于打印函数的调用关系和cpu的耗时数据，然后通过summaryRprof函数分析数据产生性能报告($by.total、$by.self)，左后使用profr库中的plot()函数可视化。
实例1：股票数据分析案例
bidpx1<-read.csv(file="000000_0.txt",header=FALSE) #读取数据
#交易日期、交易时间、股票ID、买一价、买一量、卖一价、卖一量。
names(bidpx1)<-c("tradedate","tradetime","securityid",
"bidpx1","bidsize1","offerpx1","offersize1")
bidpx1$securityid<-as.factor(bidpx1$securityid) #将彩票id转化成因子
head(bidpx1) #查看前6行
object.size(bidpx1) #查看文件大小
#以股票ID分组计算每小时买一价的平均值和买一量的总量
library(plyr)
fun1<-function(){
datehour<-paste(bidpx1$tradedate, #paste("20130724", "14")
substr(bidpx1$tradetime,1,2),sep="")
df<-cbind(datehour,bidpx1[,3:5]) #按列合并
ddply(bidpx1,.(securityid,datehour),summarize,price = mean(bidpx1),size = sum(bidsize1))
}
head(fun1())
system.time(fun1()) #以system.time()查看fun1函数运行时间
file<-"fun1_rprof.out" #定义性能日志函数的输出文件位置
Rprof(file) #开始性能监控
fun1() #执行计算函数
Rprof(NULL) #停止执行监控，并输出文件
summaryRprof(file) #通过summaryRprof函数解析这个监控文件
可视化工具profvis
# install.packages("profvis")
library(profvis)
library(ggplot2)
p <- profvis({
data(diamonds, package = "ggplot2")
plot(price ~ carat, data = diamonds)
m <- lm(price ~ carat, data = diamonds)
abline(m, col = "red")
})
htmlwidgets::saveWidget(p, "title.html") #可以保存到工作空间下html文件
本地生成的html文件
在console中 输出p结果
