本文为雪晴数据网《R语言大规模数据分析实战》 http://www.xueqing.tv/course/56 的课程学习笔记。

该课程目前更新到“第2章 Microsoft R Server简介”的微软数据科学家介绍MRS，后续教学主要是关于MRS的内容，再另外学习，所以本文只学习“第1章提升R的性能和突破内存限制的技巧”。

1. 课程介绍

1.1 课程目录

第一章突破R内存瓶颈的一些小技巧

升级硬件和软件
减少数据复制
利用整数的优势
有效地存储数据
在转换数据的时候避免循环
在关键函数里使用C、C++或Fortran
尽可能地使用面向行的数据转换
排序之前要三思
使用bigmemory家族的包
借助数据库
使用Revolution R Enterprise（简称RRE）

第二章 RRE的简介

RRE学术版的下载与安装
RRE的功能介绍
导入数据的函数
概括数据的函数
RRE可视化功能
RRE所支持的算法介绍

第三章用RRE做数据探索

导入数据
用rxGetVarInfo()函数查看数据的基本特征
用rxSummary()函数计算数据的描述统计量
用rxHistogram()分析数据的分布
用rxLinePlot()可视化分析两个变量之间的关系
用rxCrossTabs()分析变量间的关系
用with rxCube()分析变量间的关系

第四章用RRE做数据整理

数据融合
用rxDataStep()做数据变换
用dplyrXdf包整理数据

第五章用RRE做数据挖掘（案例实战）

数据准备
导入数据
数据探索
线性回归
逻辑回归
K-means聚类
决策树分类

1.2 课程视频目录

第1章:提升R的性能和突破内存限制的技巧

如何提升R的性能
并行计算

第2章:Microsoft R Server简介

微软数据科学家介绍MRS

2. 第1章:提升R的性能和突破内存限制的技巧

2.1 如何提升R的性能

这一节先介绍提高R性能的几种方法，然后重点介绍如何利用R的内部机制来提升性能。

2.1.1 性能提升的方法

a.1 系统升级

升级硬件
使用64位操作系统
利用GPU
租用云计算服务器

a.2 开发层面的优化

算法
降低算法复杂度
调用C/C++或者Fortran
关键的、耗时的计算步骤
缓冲技术
减少重复计算

a.3 使用层面的优化

充分利用R的内存机制——R的基础优化
增强R的矩阵运算——加速BLAS
并行计算
大规模数据的处理——图片内存限制
使用Revolution R Enterprise（RRE）

下列介绍通过充分利用R的内部机制优化性能

2.1.2 向量化

向量化的代码，不要用循环！

利用矩阵运算
利用内置的向量化函数，比如exp、sin、rowMeans、rowSums、colSums、ifelse等
利用Vectorize函数将非向量化的函数改装为向量化的函数
*apply函数族：apply、lapply、sapply、tapply、mapply等
plyr和dplyr包
Rstudio发布的data wrangling cheat sheet

##利用矩阵运算
n <- 100000
x1 <- 1:n
x2 <- 1:n
y <- vector()
system.time(for(i in 1:n){y[i] <- x1[i] + x2[i]}
)
system.time(y <- x1 + x2)## 利用向量化运算
## 内置的向量化函数
v <- 1:100000
result <- rep(1:100000)
system.time(for(i in 1:100000){result[i] <- sin(v[i])}
)
system.time(result <- sin(v))## 利用rowMeans、rowSums、colSums、colMeans等函数对矩阵或数据库做整体处理
colSums(iris[,1:4])

利用R内置的向量化函数，自定义向量化函数，只要在函数定义时每个运算是向量化的。但是在函数定义时用了逻辑判断语句，就会破坏的向量化特征。

func <- function(x){if(x %% 2 == 0){ret <- TRUE}else{ret <- FALSE}return(ret)
}
func(34)
func(c(1,2,3,4))
## Warning message:
## In if (x%%2 == 0) { :
##   the condition has length > 1 and only the first element will be used
## 在函数的定义中有if语句，不能接受向量作为判断的条件，否则判断第一个元素。## 利用ifelse函数做向量化的判断
myfunc <- function(x){ifelse(x %% 2 == 0,TRUE,FALSE)
}
myfunc(c(1,2,3,4))##利用Vectorize函数将非向量化的函数改装为向量化的函数
funcv <- Vectorize(func)
funcv(c(1,2,3,4))##利用sapply函数向量化运算
sapply(c(1,2,3,4),func)

2.1.3 预先给对象分配内存

R为解释性语言，也是动态语言，如果不事先指定对象的类型和长度，在运算过程会动态分配内存，提高灵活性，但降低了效率。

尽量减少cbind、rbind的使用

## 求出10000个斐波那契数
x <- c(1,1)
i <- 2
system.time(while(i<10000){new <- x[i] + x[i-1]x <- cbind(x,new)i <- i + 1}
)## 指定类型和长度
x <- vector(mode="numeric",100000)
x[1] <- 1
x[2] <- 1
system.time(while(i<10000){i <- i + 1x[i] <- x[i-1] + x[i-2]}
)

2.1.4 避免内存拷贝

假设我们有许多彼此不相关的向量，但因为一些其他的原因，我们希望将每个向量的第三个元素设为8，既然它们是互不相关的，甚至可能具有不同的长度，我们也许会考虑将它们放在一个列表中：

m <- 5000
n <- 1000
z <- list()
for(i in 1:m) z[[i]] <- sample(1:10, n, replace = T)
system.time(for(i in 1:m) z[[i]][3] <- 8)## 把这些向量一起放到矩阵中
z <- matrix(sample(1:10, m * n, replace = T),nrow = m)
system.time(z[,3] <- 8)

2.1.5 删除临时对象和不再用的对象

rm()删除对象
rm(object)删除指定对象，rm(list = ls())可以删除内存中的所有对象
gc()内存垃圾回收
使用rm(object)删除变量，要使用gc()做垃圾回收，否则内存是不会自动释放的。invisible(gc())不显示垃圾回收的结果

2.1.6 分析内存的函数

ls()列出特定环境中的对象
object.size()返回R对象的大小（近似的）
memory.profile()分析cons单元的使用情况
memory.size()监测全部内存的使用情况（仅Windows下可用）
memory.size(max=T)返回历史占用过的最大内存；memory.size(max=F)返回目前占用的内存。未做垃圾清理时，已使用内存和已分配内存同步增加，但在垃圾清理后rm(list=ls());gc()，已使用内存会减少，而已分配给R的内存不会改变。
memory.limit()系统可分配的内存上限（仅Windows下可用）
memory.limit(newLimit)更改到一个新的上限。注意，在32位的R中，封顶上限为4G，你无法在一个程序上使用超过4G （数位上限）。这种时候，可以考虑使用64位的版本。

2.2 并行计算

本节主要介绍parallel包，后续介绍R与Hadoop的结合

2.2.1 parallel包

parallel包实际上整合了之前已经比较成熟的snow包和multicore包，multicore无法在windows下运行。

## 一个简单的例子
system.time(for(i in 1:4){Sys.sleep(2)})
## 或者用lapply改写成：
system.time(lapply(1:4, function(i) Sys.sleep(2)))

## 设置并行环境
library(parallel)
## 检测系统可用的核数
detectCores()
## 默认返回的结构逻辑的核数，需修改logical=FALSE，返回物理核数
detectCores(logical=FALSE)
## 建立2核的集群
cl <- makeCluster(2)## 不使用并行计算
system.time(lapply(1:4, function(i) Sys.sleep(2)))## 使用parallel包，运行时间减半
## 在非windows系统下，使用mclapply函数
system.time(mclapply(1:4, function(i) Sys.sleep(2),mc.cores=2)
)
## 在windows系统下，使用parlapply函数
system.time(parlapply(cl, 1:4 function(i) Sys.sleep(2))
)##关闭集群
stopCluster(cl)

2.2.2 foreach和doParallel包

使用parallel包进行并行运算时，需改写原来的程序，且改写较多。

foreach包是一个并行计算的框架：循环控制＋并行执行。foreach相当于for的延伸，在循环的过程中它能够选择不同的并行后段进行执行。在非并行运算过程中代替for。改写为并行运算，改写很少。

## 一个简单的例子
## 不并行的版本
library(foreach)
foreach(i=1:4) %do% sqrt(i)
## .combine则表示运算结果的整合方式，.combine='c'运算结果为向量
foreach(i=1:4,.combine='c') %do% sqrt(i)
system.time(foreach(i=1:4) %do% sqrt(i))
## 并行的版本，需要把%do%改为%dopar%
system.time(foreach(i=1:4) %dopar% sqrt(i))
## 并行计算失败！

用foreach做并行计算必须跟并行后端（parallel backend）配合使用

doParallel包时foreach包执行并行计算时的后端接口程序。

CRAN上还有以下的并行计算后端包：

doMPI与Rmpi包配合使用
doRedis与rredis包配合使用
doMC提供parallel包的多核计算接口
doSNOW提供现已废弃的SNOW包的接口

library(foreach)
## 注册并行后端
library(doParallel)
cl <- makeCluster(2)
registerDoParallel(cl)
## 使用doParallel包做foreach的并行后端
system.time(foreach(1:4) %dopar% Sys.sleep(2))system.time(for(i in 1:400){sqrt(i)})
system.time(lapply(1:400, function(i) sqrt(i)))
system.time(foreach(i=1:400) %do% sqrt(i))
system.time(foreach(i=1:400) %dopar% sqrt(i))
system.time(foreach(i=1:400,.combine='c') %dopar% sqrt(i))
## foreach和doParallel并行计算速度比不并行计算还慢很多## 关闭集群
stopCluster(cl)

案例

library(parallel)
cl <- makeCluster(2)
fun <- function(x){return(x+1)
}
## 不并行计算效果
system.time(res <- lapply(1:5000000, fun)
)
## parallel并行计算效果
system.time(res <- mclapply(1:5000000, fun, mc.cores=2)
)
## foreach并行计算效果
library(foreach)
library(doParallel)
registerDoParallel(cl)
system.time(res <- foreach(x=1:5000000,.combine='cbind') %dopar%fun(x)
)## 关闭集群
stopCluster(cl)

parallel并行计算速度比不并行计算速度稍微快点，而foreach并行计算速度比不并行计算还慢很多很多，不知道是什么原因

不知何故，在Mac OSX 下采用doParallel速度特别慢，比不用并行还慢，于是又尝试了doMC

library(doMC)
## 设置并行核数, 并注册并行
registerDoMC(2)
## 开始计算
system.time(foreach(i=1:4) %dopar% sqrt(i))## 比较不并行计算和doParallel并行计算
system.time(foreach(i=1:4) %do% sqrt(i))
cl <- makeCluster(2)
registerDoParallel(cl)
system.time(foreach(i=1:4) %dopar% sqrt(i))

doMC比doParallel还慢！

Getting Started with doParallel and foreach的解释如下：

With small tasks, the overhead of scheduling the task and returning the result can be greater than the time to execute the task itself, resulting in poor performance. In addition, this example doesn’t make use of the vector capabilities of sqrt, which it must to get decent performance. This is just a test and a pedagogical example, not a benchmark.

对于小任务，调度任务并返回结果的开销可能比执行任务本身还耗时，导致表现不佳。

下列为实际的例子

x <- iris[which(iris[,5] != "setosa"), c(1,5)]
trials <- 10000
ptime <- system.time({r <- foreach(icount(trials), .combine=cbind) %dopar% {ind <- sample(100, 100, replace=TRUE)result1 <- glm(x[ind,2]~x[ind,1], family=binomial(logit))coefficients(result1)}
})stime <- system.time({r <- foreach(icount(trials), .combine=cbind) %do% {ind <- sample(100, 100, replace=TRUE)result1 <- glm(x[ind,2]~x[ind,1], family=binomial(logit))coefficients(result1)}
})
ptime
stime