r - 为什么 "logical"类型的子集比 "numeric"类型的子集慢？

Question

假设我们有一个 vector (或 data.frame)如下:

set.seed(1)
x <- sample(10, 1e6, TRUE)

并且想要获得 x 的所有值哪里 x > 4 ，说:

a1 <- x[x > 4] # (or) 
a2 <- x[which(x > 4)]

identical(a1, a2) # TRUE

我想大多数人会更喜欢 x[x > 4] .但令人惊讶的是(至少对我而言)，使用 which 进行子集化更快!

require(microbenchmark)
microbenchmark(x[x > 4], x[which(x > 4)], times = 100)

Unit: milliseconds
            expr      min       lq   median       uq       max neval
        x[x > 4] 56.59467 57.70877 58.54111 59.94623 104.51472   100
 x[which(x > 4)] 26.62217 27.64490 28.31413 29.97908  99.68973   100

我的大约快 2.1 倍。

我认为，差异的一种可能性可能是由于 which不考虑 NA但是 >也返回它们。但是逻辑运算本身应该是造成这种差异的原因，事实并非如此(显然)。即:

microbenchmark(x > 4, which(x > 4), times = 100)

Unit: milliseconds
         expr       min       lq   median       uq      max neval
        x > 4  8.182576 10.06163 12.68847 14.64203 60.83536   100
 which(x > 4) 18.579746 19.94923 21.43004 23.75860 64.20152   100

使用 which在子集之前大约慢 1.7 倍。但是 which似乎在子集化时/期间急剧 catch 。

似乎无法使用我通常选择的武器 debugonce ( thanks to @GavinSimpson ) 为 which电话 .Internal(which(x))而 ==电话 .Primitive("==") .

因此，我的问题是为什么 [在 numeric类型源自 which比由 > 产生的逻辑向量更快?有什么想法吗？

Answer 1

我想我应该退出评论并添加答案。这是我根据其他人的回答和讨论建立的预感。 (我确定真正的答案存在于 subset_dflt 的 C 源代码中。)

一旦我有了一个向量 x和一个逻辑向量 x > 0 , 我可以子集 x在 x > 0有两种方式。我可以用 which或者我可以使用向量 x > 0直接作为索引。但是，我们必须注意这两者并不相同，因为 x[x > 0]将保留 NA同时 x[which(x > 0)]将不会。

但是，无论采用哪种方法，我都需要检查向量 x > 0 的每个元素。 .在明确的 which 中调用我将只需要检查元素的 bool 状态，而在直接子设置操作中，我将不得不检查每个元素的缺失和 bool 状态。

@flodel 带来了一个有趣的观察。自 [ , is.na , which , 和 |都是原语或内部例程，让我们假设没有特别的开销并做这个实验:

microbenchmark(which(x > 0), x[which(x > 0)], x > 0 | is.na(x), x[x > 0],
               unit="us", times=1000)

Unit: microseconds
             expr      min       lq   median       uq      max neval
     which(x > 0) 1219.274 1238.693 1261.439 1900.871 23085.57  1000
  x[which(x > 0)] 1554.857 1592.543 1974.370 2339.238 23816.99  1000
 x > 0 | is.na(x) 3439.191 3459.296 3770.260 4194.474 25234.70  1000
         x[x > 0] 3838.455 3876.816 4267.261 4621.544 25734.53  1000

考虑中值，我们可以看到，假设 x > 0 | is.na(x)是我所说的发生在逻辑子集的粗略模型，然后在“子集”中实际花费的时间是 ~ 500 us。 'subset' 所用的时间约为 700 us。这两个数字是可比的，并表明在一种或另一种方法中成本高昂的并不是“子集”本身。相反，正在执行的操作是计算 which 中更便宜的所需子集。方法。