Pour accélérer votre code, vous devez savoir combien de temps il met à s'exécuter. Ce chapitre présente le principe d'évaluer la performance de votre code par évaluation comparative.

Bienvenue !

Version de R

Mesurer les performances

Comparer les temps de lecture des fichiers CSV et RDS

Différences opérationnelles : « <- » et « = »

Temps écoulé

Temps relatif

Votre machine est-elle performante ?

Matériel de DataCamp

Évaluer la performance de la machine de DataCamp

L'art de l'évaluation comparative

R est flexible, car vous pouvez souvent résoudre un même problème de plusieurs façons. Certaines approches peuvent être des ordres de grandeur plus rapides que d'autres. Ce chapitre vous apprend à écrire du code R de base rapide.

Attribution de mémoire

Pourquoi ce code est-il lent?

Mesures de temps — agrandir un vecteur

Mesures du temps — préallocation

L'importance de vectoriser votre code

Code vectorisé : multiplication

Code vectorisé : calculer une somme de logarithmes

Trames de données et matrices

Trames de données vs matrices

Trames de données et matrices — sélection de colonnes

Sélectionner une ligne dans un data frame

Durées par rangée

Réglages fins : R de base efficace

Le profilage vous aide à repérer les goulots d'étranglement dans votre code. Ce chapitre vous montre comment les visualiser avec le paquet profvis.

Qu'est-ce que le profilage de code

Profiler une fonction

Où ça coince?

profvis à l'œuvre

profvis : exemple plus complexe

Remplacer le data frame par une matrice

Calcul des sommes par ligne

Utiliser && au lieu de &

Aperçu de Monopoly

Diagnostiquer les problèmes : profilage de code

Certains problèmes se règlent plus vite en utilisant plusieurs cœurs de votre machine. Ce chapitre vous montre comment écrire du code R qui s'exécute en parallèle.

Processeurs (CPU) : pourquoi en a‑t‑on plusieurs ?

Combien de cœurs cette machine possède-t-elle?

Quels types de problèmes profitent de l'informatique parallèle ?

Cette boucle peut-elle s'exécuter en parallèle (1)?

Cette boucle peut-elle s'exécuter en parallèle (2)?

Le paquet parallel - parApply

Passer à la programmation parallèle

Passer à parApply

Le paquet parallel — parSapply

Utiliser parSapply()

Chronométrage avec parSapply()

Vous pouvez écrire du code R efficace !

Code surmultiplié : programmation parallèle

Information on 45,000 movies

La force de R, c'est qu'il est conçu pour l'analyse de données. L'envers de la médaille, c'est que R peut parfois être lent et freiner votre analyse. Il est donc essentiel de connaître les principales techniques pour accélérer vos travaux, afin de réduire le temps de calcul et d'obtenir des insights le plus rapidement possible.

Intermediate R

Apprenez à écrire du code R plus rapide, découvrez le benchmarking et le profilage, et le parallélisme.

Écrire du code R efficace

Maîtrisez l’écriture rapide en R, explorez le benchmarking et le profiling, et découvrez la programmation parallèle.

Big Data en R

Développeur R

Fondamentaux de la programmation R

Jumping Rivers & Newcastle University

Processeurs (CPU) – pourquoi en avoir plus d'un?

Votre CPU

Passons à la pratique !

Code surmultiplié : programmation parallèle - Processeurs (CPU) : pourquoi en a‑t‑on plusieurs ?

Processeurs (CPU) : pourquoi en a‑t‑on plusieurs ?

Create Your Free Account