r - 为什么矢量化速度更快

Question

我已经学习 R 一段时间了，并且遇到了很多关于像我这样的编程类型来向量化操作的建议。作为一名程序员，我对为什么/如何更快感兴趣。一个例子:

n = 10^7
# populate with random nos
v=runif(n)
system.time({vv<-v*v; m<-mean(vv)}); m
system.time({for(i in 1:length(v)) { vv[i]<-v[i]*v[i] }; m<-mean(vv)}); m

这给了

   user  system elapsed 
   0.04    0.01    0.07 
[1] 0.3332091

   user  system elapsed 
  36.68    0.02   36.69 
[1] 0.3332091

需要考虑的最明显的事情是我们正在运行 native 代码，即从 C 或 C++ 编译的机器代码，而不是解释代码，如两个示例之间用户时间的巨大差异(大约 3 个数量级)所示。但是还有其他事情吗？例如，R 是否执行:

狡猾的原生数据结构，例如存储稀疏向量或矩阵的巧妙方法，以便我们只在需要时才进行乘法运算？

惰性求值，例如在矩阵乘法中，直到需要时才评估单元格。

并行处理。

别的东西。

为了测试是否可能存在一些稀疏向量优化，我尝试使用不同向量内容进行点积

# populate with random nos
v<-runif(n)
system.time({m<-v%*%v/n}); m
# populate with runs of 1 followed by 99 0s
v <-rep(rep(c(1,rep(0,99)),n/100))
system.time({m<-v%*%v/n}); m
# populate with 0s
v <-rep(0,n)
system.time({m<-v%*%v/n}); m

然而，时间上没有显着差异(大约过去了 0.09)

(Matlab 的类似问题: Why does vectorized code run faster than for loops in MATLAB?)

Answer 1

The most obvious thing to consider is that we're running native code, i.e. machine code compiled from C or C++, rather than interpreted code

这就是大部分。另一个重要的组成部分是，由于 R 代码在其设计范式中是功能性的，因此函数(尝试)没有副作用，这意味着在某些(但可能不是全部；R 确实尝试对此进行高效处理)实例调用 [<-在 for 循环侧导致必须复制整个对象。这可能会变慢。

一个小的旁注:R 确实具有相当广泛的处理功能 sparse矩阵结构有效，但它们不是“默认”。