Para avaliar velocidade de código, é muito importante isolar totalmente os problemas. No seu caso, você está medindo o tempo de duas operações:
- Criar a matriz com valores aleatórios com 1000 linhas e 200 colunas
- Calcular a variância de cada coluna
Eu organizaria o problema da seguinte forma.
Criar matrizes no R
gerar_for <- function() {
matriz <- matrix(rep(NA, 1000*200), nrow = 1000, ncol=200)
for(i in 1:200){
matriz[,i] <- rnorm(1000, i)
}
matriz
}
gerar_mapply <- function() {
mapply(rnorm, n = 1000, mean = 1:200)
}
gerar_for_slow <- function() {
matriz <- NULL
for(i in 1:200){
matriz <- cbind(matriz, rnorm(1000, i))
}
matriz
}
microbenchmark::microbenchmark(
"for" = gerar_for(),
"mapply" = gerar_mapply(),
"for-slow" = gerar_for_slow()
)
Unit: milliseconds
expr min lq mean median uq max neval cld
for 15.6097 16.76431 20.0785 18.26528 20.10932 163.0261 100 a
mapply 15.5994 17.43291 22.1635 18.68548 21.00221 153.6971 100 a
for-slow 148.6910 169.03706 217.5798 178.62365 295.26370 373.7119 100 b
A função microbenchmark
é muito boa para comparar velocidade das funções, pois, ela roda cada função mais de uma vez, garantindo que a diferença de tempo não é somente por causa de alguma trava que pode ter dado no seu computador.
Pela tabela acima, vemos que não há muita diferença entre as duas primeiras formas de fazer, já o for que cresce alocando memória dinamicamente é muito lento.
Calcular a variância
var_for <- function(matriz) {
variancias <- numeric(200)
for(i in 1:200) {
variancias[i] <- var(matriz[,i])
}
variancias
}
var_apply <- function(matriz) {
apply(matriz, 2, var)
}
var_for_slow <- function(matriz) {
variancias <- NULL
for(i in 1:200) {
variancias <- c(variancias, var(matriz[,i]))
}
variancias
}
matriz <- gerar_for()
microbenchmark::microbenchmark(
"for" = var_for(matriz),
"apply" = var_apply(matriz),
"for-slow" = var_for_slow(matriz)
)
Unit: milliseconds
expr min lq mean median uq max neval cld
for 5.187810 5.506842 6.672243 5.834702 7.041265 24.80995 100 a
apply 6.053562 6.822156 9.412554 7.345083 8.566811 152.58045 100 a
for-slow 5.304672 5.587136 6.798713 6.063436 7.600376 13.52065 100 a
Na tabela acima vemos que neste caso Não faz muito diferença entre nenhuma das três abordagens.
Comparação:
Pelo que entendi, você está basicamente comparando o uso de apply
e for
.
As vantagens de usar for
é a facilidade de fazer códigos em que a uma iteração depende do resultado da iteração anterior. Isso não é tão simples com apply
. As desvantagens do for
é que é fácil de fazer código que é lento, por exemplo a função gerar_for_slow
(acima). Outra desvantagem, é que geralmente você tem que escrever mais linhas de código.
O apply
é mais ou menos o oposto do for
, é difícil fazer código que depende da iteração anterior. Mas é mais fácil fazer código que não fica lento.
Para mim a maior vantagem de usar apply
é que você se acostuma em pensar que o R é uma linguagem funcional, e assim vai ficar muito mais fácil de aprender e se aprofundar na linguagem.
Sobre vetorização
apply
não deve ser considerado como setorização em R. apply
é simplesmente uma maneira alternativa de escrever o for
.
Para ser considerado vetorizado, o seu loop tem que estar escrito em uma linguagem de programação de mais baixo nível (C, Fortran, C++, etc) e isso é o que acontece com muitas funções do R. Por exemplo:
soma_for <- function(vetor) {
soma <- 0
for(i in 1:length(vetor)){
soma <- soma + vetor[i]
}
soma
}
soma_vetorizada <- function(vetor) {
sum(vetor)
}
vetor <- rnorm(1000)
microbenchmark::microbenchmark(
"for" = soma_for(vetor),
"vetorizada" = soma_vetorizada(vetor)
)
Unit: microseconds
expr min lq mean median uq max neval cld
for 45.723 45.909 75.11931 46.0165 46.294 2773.788 100 b
vetorizada 1.575 1.607 10.93954 1.6575 1.727 913.892 100 a
Assim vemos bem a diferença de velocidade entre as duas implementações.