Damit dein Code schneller läuft, musst du wissen, wie lange er überhaupt braucht. In diesem Kapitel lernst du, wie du deinen Code benchmarkst.

Willkommen!

R-Version

Benchmarking

Lesezeiten von CSV- und RDS-Dateien vergleichen

Unterschiede in der Verwendung: "<-" und "="

Vergangene Zeit

Relative Zeit

Wie gut ist deine Maschine?

DataCamp-Hardware

Benchmark die DataCamp-Maschine

Die Kunst des Benchmarkings

R ist flexibel, weil du ein Problem oft auf verschiedene Arten lösen kannst. Manche Varianten sind um Größenordnungen schneller als andere. In diesem Kapitel lernst du, schnellen Base-R-Code zu schreiben.

Speicherzuweisung

Warum ist dieser Code langsam?

Laufzeiten – einen Vektor wachsen lassen

Laufzeiten – Pre-Allocation

Warum Vektorisierung für deinen Code wichtig ist

Vektorisierter Code: Multiplikation

Vektorisierter Code: eine Log-Summe berechnen

Data Frames und Matrizen

Data Frames vs. Matrizen

Data Frames und Matrizen – Spaltenauswahl

Auswählen einer Zeile in einem Data Frame

Zeiten für Zeilenselektion

Feintuning: Effizientes Base R

Profiling hilft dir, Engpässe in deinem Code zu finden. In diesem Kapitel lernst du, diese Flaschenhälse mit dem Paket profvis zu visualisieren.

Was ist Code-Profiling

Eine Funktion profilieren

Wo hakt es?

Profvis in Aktion

profvis: Größeres Beispiel

Ändere den Data Frame in eine Matrix

Zeilensummen berechnen

Verwende && statt &

Monopoly-Überblick

Probleme diagnostizieren: Code-Profiling

Manche Probleme lassen sich schneller lösen, wenn du mehrere Kerne deines Rechners nutzt. In diesem Kapitel erfährst du, wie du R-Code schreibst, der parallel läuft.

CPUs – warum haben wir mehr als eine

Wie viele Kerne hat diese Maschine?

Für welche Arten von Problemen lohnt sich Parallel Computing?

Kann diese Schleife parallel laufen (1)?

Kann diese Schleife parallel laufen (2)?

Das Paket parallel – parApply

Umstieg auf Parallelprogrammierung

Wechsel zu parApply

Das Paket parallel – parSapply

parSapply() verwenden

Zeitmessungen mit parSapply()

Du kannst effizienten R-Code schreiben!

Turbos für deinen Code: Parallele Programmierung

Information on 45,000 movies

Das Schöne an R ist, dass es für Datenanalyse gemacht ist. Der Nachteil: Manchmal ist R langsam und bremst deine Analyse aus. Deshalb ist es wichtig, die wichtigsten Techniken zum Beschleunigen deiner Analyse zu kennen, damit du Rechenzeit reduzierst und so schnell wie möglich zu Erkenntnissen kommst.

Intermediate R

Lerne, schneller R-Code zu schreiben, Benchmarking und Profiling zu entdecken und Parallelprogrammierung zu nutzen.

Effizient R-Code schreiben

Lerne, wie du schneller R-Code schreibst, mach dich mit Benchmarking und Profiling vertraut und entdecke die Geheimnisse der parallelen Programmierung.

Big Data mit R

R Entwickler

Grundlagen der R-Programmierung

Jumping Rivers & Newcastle University

The importance of vectorizing your code

General rule

Vectorized functions

Generating random numbers

Why is the loop slow?

R club

Let's practice!

Feintuning: Effizientes Base R - Warum Vektorisierung für deinen Code wichtig ist

Warum Vektorisierung für deinen Code wichtig ist

Create Your Free Account