在 R 中，for 循环比在 Python 中使用 rpy2 库快几倍

Question

下面的简单 for 块大约需要 ~3 秒才能在 R 中完成：

library(MASS)
nruns <- 2000
nelems <- 50
maxX <- 1
maxY <- 1
for(i in 1:nruns) {
    dataX <- runif(nelems, 0, maxX)
    dataY <- runif(nelems, 0, maxY)
    kde2d(dataX, dataY, n=50, lims=c(0, maxX, 0, maxY) )
}

Python 到 rpy2 library 中的相同代码运行需要 4-5 倍的时间：

from rpy2.robjects import r
from rpy2.robjects.packages import importr
importr('MASS')

nruns = 2000
r.assign('nelems', 50)
r.assign('maxX', 1)
r.assign('maxY', 1)
for _ in range(nruns):
    r('dataX <- runif(nelems, 0, maxX)')
    r('dataY <- runif(nelems, 0, maxY)')
    r('kde2dmap <- kde2d(dataX, dataY, n=50, lims=c(0, maxX, 0, maxY))')

这仅仅是因为我正在使用 rpy2 库与 R 通信还是有其他原因？这可以通过任何方式改进吗（同时仍然运行宁 Python 中的代码）？

Answer 1

当然，连接到外部语言 API 会比直接运行外部语言慢。但是，考虑将所有内容都保留在 Python 层中并避免 r() 调用。

from rpy2.robjects.packages import importr

base = importr("base")
stats = importr("stats")
mass = importr("MASS")

nruns = 2000
nelems = 50
maxX = 1
maxY =  1

for _ in range(nruns):
    dataX = stats.runif(nelems, 0, maxX)
    dataY = stats.runif(nelems, 0, maxY)
    kde2dmap = mass.kde2d(dataX, dataY, n=50, lims=base.c(0, maxX, 0, maxY))

Answer 2

4 到 5 倍慢似乎有点多，但如果您使用自定义转换（rpy2 可以将 R 对象动态转换为任意 Python 对象 - 请参阅文档）。

或者您可能使用的 HPC 对安装 Python 和软件包的 NFS 访问速度较慢，而 R 在更快的本地磁盘上（这可能会对启动时间产生很大影响).

否则也可以在 R 中保留循环以评估这是否改变了运行时间：

from rpy2.robjects import r
from rpy2.robjects.packages import importr

# importr('MASS')
# Calling 'importr' will perform quite a bit of work behind the
# scene. That works allows a more intuitive/pythonic use of the
# content of the R library "MASS", but if you are just passing
# a string to be evaluated for R evaluation you can skip it
# replace it with the following:
r('library("MASS")')

nruns = 2000
r.assign('nelems', 50)
r.assign('maxX', 1)
r.assign('maxY', 1)
r.assign('nruns', nruns)
r("""
for(i in 1:nruns) {
  dataX <- runif(nelems, 0, maxX)
  dataY <- runif(nelems, 0, maxY)
  kde2dmap <- kde2d(dataX, dataY, n=50, lims=c(0, maxX, 0, maxY) )
}
""")

速度提升将来自以下方面：

您问题中的代码在每次迭代中传递 Python 字符串。每次在评估该字符串之前都必须（通过 R）对其进行解析。这可能会增加一些长循环的开销。在我提供的代码中，解析只执行一次。

@Parfait 答案中的代码利用了 importr() 为您要使用的 R 函数创建 Python 对象代理这一事实。但是，在使用 importr() 创建映射时（为 R 包中的 all 对象创建映射）以及从 Python 到 R（对象检查和转换，构建要评估的 R 表达式）。对代码进行概要分析可以让您准确了解时间花在了哪里。有一些方法可以在保留更多性能的同时保留一些 pythonic 方面。例如：

 import rpy2.rinterface as ri
 ri.initr()
 ri.baseenv['library']("MASS")
 # early bindings for R functions:
 runif = ri.globalenv.find('runif')
 kde2d = ri.globalenv.find('kde2d')
 # create constant values in loop as R objects
 maxX = ri.IntVector((1, ))
 maxY = ri.IntVector((1, ))
 nelems = ri.IntVector((50, ))
 zero = ri.IntVector((0, ))
 limits = ri.IntVector((0, maxX[0], 0, maxY[0]))
 for i in range(nruns):
     dataX = runif(nelems, zero, maxX)
     dataY = runif(nelems, zero, maxY)
     kde2dmap = kde2d(dataX, dataY, n=nelems, lims=limits)

关于性能的另一个评论是 rpy2 从 C 扩展到 cffi 的过渡导致管理与 R 的 C API 的对话的代码结构的显着改进（以及一些棘手的错误已修复），但会以暂时的性能为代价。正在逐步重新引入速度优化。

在 R 中，for 循环比在 Python 中使用 rpy2 库快几倍

For loop is several times faster in R than in Python using the rpy2 library

python

r

performance

rpy2