Para hacer que tu código vaya más rápido, primero necesitas saber cuánto tarda en ejecutarse. En este capítulo se introduce la idea de evaluar el rendimiento (benchmarking) de tu código.

¡Bienvenido!

Versión de R

Benchmarking

Comparar los tiempos de lectura de archivos CSV y RDS

Diferencias operativas: "<-" y "="

Tiempo transcurrido

Tiempo relativo

¿Qué tal es tu máquina?

Hardware de DataCamp

Evalúa el rendimiento de la máquina de DataCamp

El arte del benchmarking

R es flexible porque a menudo puedes resolver un mismo problema de muchas formas distintas. Algunas pueden ser varios órdenes de magnitud más rápidas que otras. En este capítulo aprenderás a escribir código base de R rápido.

Asignación de memoria

¿Por qué este fragmento de código es lento?

Tiempos: hacer crecer un vector

Tiempos: preasignación

La importancia de vectorizar tu código

Código vectorizado: multiplicación

Código vectorizado: calcular una suma de logaritmos

Data frames y matrices

Data frames vs. matrices

Data frames y matrices: selección de columnas

Seleccionar una fila en un data frame

Tiempos por fila

Ajuste fino: Base R eficiente

El perfilado te ayuda a localizar los cuellos de botella de tu código. En este capítulo aprenderás a visualizarlos con el paquete profvis.

¿Qué es el perfilado de código?

Perfilado de una función

¿Dónde está el cuello de botella?

Profvis en acción

Profvis: ejemplo más grande

Cambia el data frame a una matriz

Calcular sumas por fila

Usa && en lugar de &

Resumen de Monopoly

Diagnosticar problemas: perfilado de código

Algunos problemas se pueden resolver más rápido utilizando varios núcleos de tu máquina. Este capítulo te muestra cómo escribir código R que se ejecute en paralelo.

CPUs: ¿por qué tenemos más de una?

¿Cuántos núcleos tiene esta máquina?

¿Qué tipo de problemas se benefician de la computación en paralelo?

¿Puede este bucle ejecutarse en paralelo (1)?

¿Puede ejecutarse este bucle en paralelo (2)?

El paquete parallel - parApply

Pasar a la programación en paralelo

Pasar a parApply

El paquete parallel: parSapply

Usar parSapply()

Tiempos con parSapply()

¡Puedes escribir código R eficiente!

Código a toda velocidad: programación en paralelo

Information on 45,000 movies

La gran ventaja de R es que está diseñado para el análisis de datos. El inconveniente es que a veces puede ser lento y entorpecer nuestro análisis. Por eso es fundamental conocer las principales técnicas para acelerar tu trabajo, reducir el tiempo de cómputo y obtener conclusiones lo antes posible.

Intermediate R

Aprende a escribir código R más rápido, descubre el benchmarking y la programación paralela.

Escribir código R eficiente

Aprende a escribir código R más rápido, descubre las pruebas comparativas y la creación de perfiles, y desvela los secretos de la programación paralela.

¿Qué tal es tu máquina?

Create Your Free Account