出this SO post在对各种解决方案进行基准测试时引发了讨论。考虑以下代码
# global environment is empty - new session just started
# set up
set.seed(20181231)
n <- sample(10^3:10^4,10^3)
for_loop <- function(n) {
out <- integer(length(n))
for(k in 1:length(out)) {
if((k %% 2) == 0){
out[k] <- 0L
next
}
out[k] <- 1L
next
}
out
}
# benchmarking
res <- microbenchmark::microbenchmark(
for_loop = {
out <- integer(length(n))
for(k in 1:length(out)) {
if((k %% 2) == 0){
out[k] <- 0L
next
}
out[k] <- 1L
next
}
out
},
for_loop(n),
times = 10^4
)
这是完全相同循环的基准测试结果,一个包含在函数中,另一个不包含
# Unit: microseconds
# expr min lq mean median uq max neval cld
# for_loop 3216.773 3615.360 4120.3772 3759.771 4261.377 34388.95 10000 b
# for_loop(n) 162.280 180.149 225.8061 190.724 211.875 26991.58 10000 a
ggplot2::autoplot(res)
可以看出,效率存在巨大差异。这背后的根本原因是什么?
需要明确的是,问题不在于上述代码解决的任务(可以更优雅地完成),而只是关于常规循环和包含在函数内的循环之间的效率差异。
最佳答案
解释是函数是“即时”编译的,而解释代码不是。有关说明,请参阅 ?compiler::enableJIT
。
如果你想演示差异,运行
compiler::enableJIT(0)
在您的任何代码之前(包括 for_loop
函数的创建)。这会为该 session 的其余部分禁用 JIT 编译。那么两组代码的时间将更加相似。
您必须在创建 for_loop
函数之前执行此操作,因为一旦它被 JIT 编译器编译,它将保持编译状态,无论是否启用 JIT。
关于r - 循环内部与外部功能的速度差异,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/53974449/