Para deixar seu código mais rápido, você precisa saber quanto tempo ele leva para rodar. Este capítulo apresenta a ideia de fazer benchmarking do seu código.

Bem-vindo!

Versão do R

Benchmarking

Comparando tempos de leitura de arquivos CSV e RDS

Diferenças operacionais: "<-" e "="

Tempo decorrido

Tempo relativo

Quão boa é a sua máquina?

Hardware do DataCamp

Faça o benchmark da máquina do DataCamp

A arte do benchmarking

R é flexível porque, muitas vezes, você pode resolver um único problema de várias maneiras. Algumas podem ser várias ordens de grandeza mais rápidas que as outras. Este capítulo ensina você a escrever código rápido usando base R.

Alocação de memória

Por que este trecho de código é lento?

Medições de tempo - crescimento de um vetor

Tempos de execução - pré-alocação

Importância de vetorizar seu código

Código vetorizado: multiplicação

Código vetorizado: calculando uma soma de log

Data frames e matrizes

Data frames vs. matrizes

Data frames e matrizes - seleção de colunas

Selecionando uma linha em um data frame

Tempos por linha

Ajustes finos: Base R eficiente

A profilagem ajuda a localizar gargalos no seu código. Este capítulo ensina a visualizar esses gargalos usando o pacote profvis.

O que é perfilamento de código

Criando o perfil de uma função

Onde está o gargalo?

Profvis na prática

Profvis: Exemplo maior

Mude o data frame para uma matriz

Calculando somas por linha

Use && em vez de &

Visão geral do Monopoly

Diagnosticando problemas: profilagem de código

Alguns problemas podem ser resolvidos mais rapidamente usando múltiplos núcleos do seu computador. Este capítulo mostra como escrever código R que roda em paralelo.

CPUs — por que temos mais de uma

Quantos núcleos esta máquina tem?

Que tipo de problema se beneficia da computação paralela?

Esse loop pode rodar em paralelo (1)?

Este loop pode rodar em paralelo (2)?

O pacote parallel - parApply

Migrando para programação paralela

Migrando para parApply

O pacote parallel - parSapply

Usando parSapply()

Medições com parSapply()

Você pode escrever código R eficiente!

Código turbinado: programação paralela

Information on 45,000 movies

A beleza do R é que ele foi feito para análise de dados. O lado negativo é que, às vezes, o R pode ser lento e atrapalhar a nossa análise. Por isso, é essencial conhecer as principais técnicas para acelerar seu trabalho, reduzindo o tempo de computação e obtendo insights o mais rápido possível.

Intermediate R

Aprenda a escrever código R mais rápido, descubra benchmarking e programação paralela.

Escrevendo código R eficiente

Aprenda a escrever código R mais rápido, descubra benchmarking e profiling e desvende os segredos da programação paralela.

Big Data in R

Desenvolvedor R

Programação R

Data frames vs. matrizes

Escrevendo código R eficiente

Exercício interativo prático