6

É muito frequente ouvir (ou ler) que os loops não são eficientes no Re devem ser evitados (neste link ou noutro link ou mesmo neste).

E provar esta afirmação é simples:

numeros <- rnorm(10000)

com_loop <- function(vetor) {
  res <- 0
  for (i in seq_along(vetor)) {
    res <- res + vetor[i]
  }
  res
}

microbenchmark::microbenchmark(
  loop = com_loop(numeros),
  vetorizado = sum(numeros)
)

Unit: microseconds
       expr     min      lq      mean  median       uq      max neval
       loop 494.709 512.670 562.71062 514.723 551.9285 3074.480   100
 vetorizado   9.750  10.263  10.77702  10.264  10.2640   28.226   100

As perguntas que faço são:

  1. Por que os loops são lentos no ?
  2. Quais alternativas existem? (pacotes, estratégias, etc)

2 Respostas 2

9

Excelente perguntas. Abaixo colocarei meus dois centavos a respeito delas.

1. Por que os loops são lentos no R?

Loops são lentos no R porque esta é uma característica intrínseca das linguagens interpretadas. Todo código escrito na linguagem R (que é uma linguagem interpretada como python ou ruby) é lido e interpretado para linguagem de máquina, para aí ser executado.

C, por outro lado, é uma linguagem compilada. Todo código escrito na linguagem C é compilado, transformado num executável na linguagem nativa do sistema operacional e processador da máquina e somente depois disso ele será executado.

Se fizermos um loop numa linguagem interpretada como o R, o passo de tradução do código escrito em R para a linguagem de máquina vai ocorrer para cada passo do loop. Assim, são adicionados vários passos extras na execução do programa, passos estes que não existem na linguagem compilada. E cada passo intermediário destes é somado ao tempo total de execução do programa.

Entendo que esta resposta talvez não responda diretamente a tua pergunta. Me deixe então refazê-la da seguinte maneira:

Por que os loops no R são mais lentos do que o código vetorizado?

Embora não pareça, a resposta para esta pergunta está na descrição que fiz acima. Muitos dos códigos nativos do R, como o sum do teu exemplo, foram escritos em C, C++ ou FORTRAN. Note o output que aparece no prompt quando digitamos sum:

sum
function (..., na.rm = FALSE)  .Primitive("sum")

Esta função não foi escrita em R. Ela com certeza foi escrita em C, C++ ou FORTRAN, o que deixa a torna muito mais otimizada. Afinal, estas são linguagens compiladas, muito mais otimizadas para realizar quaisquer operações. Por isso a diferença de tempo de execução nos códigos com_loop e vetorizado do exemplo da tua pergunta.

2. Quais alternativas existem? (pacotes, estratégias, etc)

Basicamente, há três estratégias para tentar otimizar código no R. Entretanto, eles nem sempre funcionarão, pois cada caso é um caso.

  1. Use código vetorizado

Por exemplo, funções da família apply possuem uma vantagem sobre loops. Muitas vezes (embora nem sempre), utilizar funções desta família vai deixar teu código mais rápido. Afinal, o R é uma linguagem que trabalha melhor com vetores. As funções da família apply utilizam esta característica do R de forma otimizada e, portanto, acabam sendo muitas vezes mais rápidas do que um for (ou while etc.).

Além de, na minha opinião, deixarem o código mais limpo e mais fácil de ser auditado posteriormente.

  1. Paralelize o código

Utilize o poder do processamento em paralelo do teu computador. Em vez de usar um core para fazer o trabalho, distribua ele em mais cores. Os pacotes mais famosos para isto são o parallel, doMC e foreach.

Infelizmente, tentei no passado e nunca consegui fazer eles funcionarem no Windows. Desconfio, inclusive, que seja impossível. Entretanto, são facílimos de utilizar no macOS e Linux.

  1. Leia o livro R Inferno. Ele traz muitas estratégias além destas duas que citei acima. O livro abriu meus olhos no passado, mostrando o que eu fazia de errado na hora de escrever meus códigos. São 9 estratégias bem mais detalhadas do que estas que coloquei aqui neste resumo e tenho certeza que muitas das tuas dúvidas serão esclarecidas por ele.
4

Complementando a resposta do @Marcos Nunes, que está excelente, o texto que me fez entender a diferença entre loop e vetorização foi esse aqui: Vectorization in R: Why?

O R é uma linguagem de alto-nível, ou seja, ele toma conta da interpretação do código por você. Por exemplo, quando você cria um código como este:

i<-5.0

Você não deve dizer para o computador:

  1. que 5.0 é um número de ponto flutuante;
  2. que o "i" deve guardar um dado de tipo numérico;
  3. para achar um lugar na memória para o número 5;
  4. registrar o "i" como um indicador para aquele lugar na memória.
  5. que precisa converter i <- 5.0 para binário, pois isso é feito quando você clica enter;
  6. se alterar valor de "i" para, por exemplo, i <- "b", comunicar que o "i" não guarda mais um inteiro mas sim um caractere.

Quando você coloca isso dentro de um for, o R vai repetir esse processo de interpretação a cada loop. E é isso que torna o loop lento.

Por outro lado, se você coloca todos os valores num único vetor, esse processo de interpretação se dá de uma vez só, reduzindo assim o tempo de processamento. Daí porque vetores só aceitam um tipo de dado, ou seja, você não pode ter números inteiros, fatores e caracteres num mesmo vetor, pois isso romperia com a lógica de vetorização, que é realizar aqueles seis passos uma única vez.

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .