Rde Kod Performansını Değerlendirme ve Optimize Etme

R kodunu optimize etmek, R betiklerinin ve programlarının performansını önemli ölçüde artırarak daha verimli çalışmalarını sağlayabilir. Bu, özellikle büyük ve karmaşık veri kümeleri ile gerçek zamanlı veya düzenli olarak çalıştırılması gereken uygulamalar için önemlidir.

Bu eğitiminde, dridiverse ve data.table gibi farklı R paketlerini kullanarak bir R kodunun performansını değerlendirip optimize edeceğiz . Örnek olarak, RStudio'nun büyük bir CSV dosyasını read.csv ( ) işlevi, Tiddverse paketi ve data.table paketini kullanarak okumasının ne kadar sürdüğünü göreceğiz .

İçindekiler

• R'de Performansı Optimize Etme
• Microbenchmark Kullanarak R Paketlerini Karşılaştırma
• Çözüm

R'de Performansı Optimize Etme

RStudio'yu açın. R betiğinde, dosya uzantısını bir değişkene atayın.

Bir işlevi veya işlemi gerçekleştirmenin ne kadar süreceğini belirlemek için system.file ( ) işlevini kullanmanız gerekir . Bir dosyayı açmanın ne kadar sürdüğünü değerlendirmek istediğimiz için argümana read.csv (df) yazın.

Kodu çalıştırdığınızda, Konsol size dosyayı açmak için geçen süreyi gösterecektir. Geçen sütun, CPU'nun R kodunu gerçekleştirmesinin ne kadar sürdüğünü gösterir. Sonuçlar, önemli bir süre olan RStudio 31.93 saniye sürdüğünü gösteriyor. Her zaman büyük veri kümeleriyle çalışıyorsanız, bu yükleme süresi pratik değildir.

R kodunuzun performansını en iyi duruma getirmenin yollarından biri, timberverse paketini kullanmaktır. Bunu yapmak, süreyi 30 saniyeden 5 saniyeye düşürür.

Dosyayı okumak için read_csv ( ) işlevini kullanmanız gerektiğini unutmayın.

Tiddverse paketi , veri okumak ve yazmak için bir dizi hızlı ve verimli işlev sağlayan readr paketinin kullanımıyla R'deki yükleme süresini iyileştirir . readr paketi , büyük veri kümelerini hızlı ve verimli bir şekilde okuyabilen read_csv ( ) ve read_table ( ) gibi işlevler sağlar .

R'deki başka bir optimizasyon yöntemi de data.table paketini kullanmaktır . Bu, internette ücretsiz olarak indirilebilir.

R'deki data.table paketi, büyük ve karmaşık veri kümeleriyle çalışmak için güçlü ve verimli bir araçtır. R'deki çekirdek veri yapısı olan data.frame nesnesinin gelişmiş bir sürümünü sağlar. data.table'ın ana avantajı, büyük veri kümeleriyle çalışırken yüksek performansı ve düşük bellek kullanımıdır.

Bu paketi kullanırken read.csv ( ) yerine fread ( ) fonksiyonunu yazmanız gerektiğini unutmayın . Bunu kodunuzla birlikte çalıştırdığınızda yükleme süresinin 2.25 saniyeye düştüğünü görebilirsiniz.

Microbenchmark Kullanarak R Paketlerini Karşılaştırma

Her bir yöntem arasındaki performansı karşılaştırmak için microbenchmark ( ) işlevini kullanabilirsiniz .

R'deki microbenchmark ( ) işlevi, R kodunun performansını ölçmek için bir araçtır. R ifadelerinin yürütme süresini kıyaslamak için basit ve kullanımı kolay bir arayüz sağlar.

Bu işlevle ilgili harika bir şey, işlemin kaç kez tekrarlanacağını ayarlayabilmenizdir. Bu daha kesin sonuçlar verir. Sonuçların tutarlı olup olmadığını da belirleyebilirsiniz.

LuckyTemplates'da bir CSV dosyasını okumakta sorun yaşıyorsanız RStudio bunu sizin yerinize yapabilir. R'de kodunuzun performansını optimize etmek için kullanabileceğiniz başka seçenekler de vardır. Ancak basitliği nedeniyle data.table şiddetle tavsiye edilir.

Çözüm

R kodunu optimize etmek, R betiklerinizin verimli bir şekilde çalışmasını sağlamada önemli bir adımdır. R kodunu optimize etmek için kullanılabilecek çeşitli teknikler ve araçlar vardır; örneğin, veri manipülasyonu için timberverse paketini kullanmak, büyük veri kümeleri için data.table paketini kullanmak ve R kodunun performansını ölçmek için microbenchmark paketini kullanmak.

Döngüler yerine vektörleştirilmiş işlemleri kullanmak, kendi işlevlerinizi yazmak yerine yerleşik işlevleri kullanmak ve kodunuzun bellek kullanımına dikkat etmek gibi iyi kodlama uygulamalarını akılda tutmak da önemlidir.

Herşey gönlünce olsun,

George Dağı