För att kunna göra din kod snabbare behöver du veta hur lång tid den tar att köra. Det här kapitlet introducerar idén med att benchmarka din kod.

Välkommen!

R-version

Prestandamätning

Jämföra inläsningstider för CSV- och RDS-filer

Operationella skillnader: "<-" och "="

Förfluten tid

Relativ tid

Hur bra är din dator?

DataCamp-hårdvara

Benchmarka DataCamps maskin

Konsten att benchmarka

R är flexibelt eftersom du ofta kan lösa ett och samma problem på många olika sätt. Vissa sätt kan vara flera storleksordningar snabbare än andra. Det här kapitlet lär dig att skriva snabb bas-R-kod.

Minnesallokering

Varför är den här koden långsam?

Tidstagning – en växande vektor

Tidsmätning – förallokering

Vikten av att vektorisera din kod

Vektoriserad kod: multiplikation

Vektoriserad kod: beräkna en log-summa

Dataramar och matriser

Dataramar vs. matriser

Dataramar och matriser – kolumnval

Välja en rad i en dataram

Tidmätning per rad

Finjustering: Effektiv bas-R

Profilering hjälper dig att hitta flaskhalsarna i din kod. Det här kapitlet visar hur du visualiserar flaskhalsarna med hjälp av paketet profvis.

Vad är kodprofilering

Profilera en funktion

Var ligger flaskhalsen?

Profvis i praktiken

Profvis: Ett större exempel

Byt ut dataramen mot en matris

Beräkna radsummor

Använd && i stället för &

Monopoly – en överblick

Hitta problem: Kodprofilering

Vissa problem kan lösas snabbare genom att använda flera kärnor på din dator. Det här kapitlet visar hur du skriver R-kod som körs parallellt.

Processorer – varför har vi mer än en?

Hur många kärnor har den här maskinen?

Vilka typer av problem gynnas av parallell beräkning?

Kan den här loopen köras parallellt (1)?

Kan den här slingan köras parallellt (2)?

Paketet parallel – parApply

Övergång till parallell programmering

Från apply till parApply

Paketet parallel – parSapply

Använda parSapply()

Tidsmätning med parSapply()

Du kan skriva effektiv R-kod!

Turboladdad kod: Parallellprogrammering

Information on 45,000 movies

Det fina med R är att det är byggt för dataanalys. Nackdelen är att R ibland kan vara långsamt, vilket bromsar upp analysen. Därför är det viktigt att bekanta sig med de viktigaste teknikerna för att snabba upp din analys, så att du kan minska beräkningstiden och få insikter så snabbt som möjligt.

Intermediate R

Lär dig skriva snabbare R-kod, upptäck benchmarking och profilering, och hemligheterna i parallellprogrammering.

Effektiv R-kod

Lär dig skriva snabbare R-kod, upptäck benchmarking och profilering, och lås upp hemligheterna bakom parallell programmering.

Big Data i R

R-utvecklare

Grunderna i R-programmering

Övergång till parallell programmering

Effektiv R-kod

Interaktiv övning med praktiskt arbete