Pour accélérer votre code, vous devez d’abord savoir combien de temps il met à s’exécuter. Ce chapitre introduit le principe du benchmarking de votre code.

Bienvenue !

Version de R

Benchmarking

Comparer les temps de lecture des fichiers CSV et RDS

Différences opérationnelles : "<-" et "="

Temps écoulé

Temps relatif

Votre machine est-elle performante ?

Matériel DataCamp

Évaluer les performances de la machine de DataCamp

L’art du benchmarking

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 un code R de base rapide.

Allocation mémoire

Pourquoi ce code est-il lent ?

Chronométrage – agrandir un vecteur

Chronométrage - préallocation

L’importance de vectoriser votre code

Code vectorisé : multiplication

Code vectorisé : calculer une somme de logarithmes

Data frames et matrices

Data frames vs. matrices

Data frames et matrices – sélection de colonne

Sélectionner une ligne dans un data frame

Temps par ligne

Ajustements fins : R de base efficace

Le profilage vous aide à localiser les goulets d’étranglement dans votre code. Ce chapitre vous montre comment les visualiser avec le package profvis.

Qu’est-ce que le profilage de code ?

Profiler une fonction

Où est le blocage ?

Profvis en action

Profvis : exemple plus conséquent

Remplacer le data frame par une matrice

Calcul des sommes par ligne

Utilisez && au lieu de &

Aperçu de Monopoly

Diagnostiquer les problèmes : profilage du code

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

CPU : pourquoi en avons-nous plusieurs ?

Combien de cœurs cette machine possède-t-elle ?

Quels types de problèmes bénéficient du calcul parallèle ?

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

Cette boucle peut-elle tourner en parallèle (2) ?

Le package parallel - parApply

Passer à la programmation parallèle

Passer à parApply

Le package parallel - parSapply

Utiliser parSapply()

Mesures de temps avec parSapply()

Vous pouvez écrire du code R efficace !

Booster le code : programmation parallèle

Information on 45,000 movies

La force de R, c’est qu’il est conçu pour l’analyse de données. L’inconvénient, c’est que R peut parfois être lent, ce qui freine votre travail. Il est donc essentiel de maîtriser les principales techniques pour accélérer vos analyses, afin de réduire le temps de calcul et d’obtenir des résultats 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

Apprenez à écrire plus rapidement du code R, découvrez le benchmarking et le profilage, et percez les secrets de la programmation parallèle.

Big Data en R

R Développeur

Principes de base de la programmation R

Jumping Rivers & Newcastle University

What sort of problems benefit from parallel computing

Cooking

Running in parallel

Monte-Carlo simulations

Not everything runs in parallel

Rule of thumb

Let's practice!

Booster le code : programmation parallèle - Quels types de problèmes bénéficient du calcul parallèle ?

Quels types de problèmes bénéficient du calcul parallèle ?

Create Your Free Account