Agar kode Anda berjalan lebih cepat, Anda perlu mengetahui berapa lama waktu yang dibutuhkan untuk dieksekusi. Bab ini memperkenalkan konsep melakukan benchmarking pada kode Anda.

Selamat datang!

Versi R

Benchmarking

Membandingkan waktu baca file CSV dan RDS

Perbedaan operasional: "<-" dan "="

Waktu berlalu

Waktu relatif

Seberapa baik mesin Anda?

Perangkat keras DataCamp

Benchmark mesin DataCamp

Seni Melakukan Benchmarking

R fleksibel karena sering kali Anda dapat menyelesaikan satu masalah dengan banyak cara berbeda. Beberapa cara bisa berkali-kali lipat lebih cepat dibanding yang lain. Bab ini mengajarkan Anda cara menulis kode base R yang cepat.

Alokasi memori

Mengapa potongan kode ini lambat?

Pengukuran waktu - menumbuhkan vektor

Pengukuran waktu - pra-alokasi

Pentingnya melakukan vektorisasi pada kode Anda

Kode tervektorisasi: perkalian

Kode tervektorkan: menghitung jumlah log

Data frame dan matriks

Data frame vs. matriks

Data frame dan matriks - pemilihan kolom

Memilih satu baris dalam data frame

Pengukuran waktu baris

Penyetelan Halus: Base R yang Efisien

Profiling membantu Anda menemukan bottleneck dalam kode. Bab ini mengajarkan Anda cara memvisualisasikan bottleneck menggunakan paket profvis.

Apa itu pemprofilan kode

Profiling sebuah fungsi

Di mana terjadi hambatan?

Profvis dalam praktik

Profvis: Contoh yang lebih besar

Ubah data frame menjadi matriks

Menghitung jumlah per baris

Gunakan && alih-alih &

Tinjauan Monopoly

Mendiagnosis Masalah: Profiling Kode

Beberapa masalah dapat diselesaikan lebih cepat dengan menggunakan banyak inti (core) pada mesin Anda. Bab ini menunjukkan cara menulis kode R yang berjalan secara paralel.

CPU — mengapa kita memiliki lebih dari satu

Berapa banyak core yang dimiliki mesin ini?

Masalah seperti apa yang diuntungkan oleh komputasi paralel?

Apakah perulangan ini bisa dijalankan secara paralel (1)?

Bisakah loop ini dijalankan secara paralel (2)?

Paket parallel - parApply

Beranjak ke pemrograman paralel

Berpindah ke parApply

Paket parallel - parSapply

Menggunakan parSapply()

Pengukuran waktu parSapply()

Anda dapat menulis kode R yang efisien!

Kode Super Cepat: Pemrograman Paralel

Information on 45,000 movies

Keunggulan R adalah dirancang untuk melakukan analisis data. Kekurangannya, terkadang R bisa lambat sehingga menghambat analisis. Oleh karena itu, penting untuk memahami teknik-teknik utama untuk mempercepat analisis Anda, agar waktu komputasi berkurang dan wawasan diperoleh secepat mungkin.

Intermediate R

Pelajari cara menulis kode R lebih cepat, temukan benchmarking dan profiling, serta rahasia pemrograman paralel.

Menulis Kode R yang Efisien

Pelajari cara menulis kode R dengan lebih cepat, temukan teknik benchmarking dan profiling, dan ungkap rahasia pemrograman paralel.

Data Besar di R

Pengembang R

Dasar-Dasar Pemrograman R

Data frame vs. matriks

Menulis Kode R yang Efisien

Latihan interaktif langsung