plots - ¿Por qué la función diag es tan lenta?

r plot scale

Question

Estaba viendo los puntos de referencia en esta respuesta , y quería compararlos con diag (usado en una respuesta diferente). Desafortunadamente, parece que diag tarda años:

nc  <- 1e4
set.seed(1)
m <- matrix(sample(letters,nc^2,replace=TRUE), ncol = nc)

microbenchmark(
  diag = diag(m),
  cond = m[row(m)==col(m)],
  vec  = m[(1:nc-1L)*nc+1:nc],
  mat  = m[cbind(1:nc,1:nc)],
times=10)

Comentarios : Probé estos con identical . Tomé "cond" de una de las respuestas a esta pregunta de tarea . Los resultados son similares con una matriz de enteros, 1:26 lugar de letters .

Resultados :

Unit: microseconds
 expr         min          lq         mean       median          uq         max neval
 diag  604343.469  629819.260  710371.3320  706842.3890  793144.019  837115.504    10
 cond 3862039.512 3985784.025 4175724.0390 4186317.5260 4312493.742 4617117.706    10
  vec     317.088     329.017     432.9099     350.1005     629.460     651.376    10
  mat     272.147     292.953     441.7045     345.9400     637.506     706.860    10

Es solo una operación de subconjunto de matrices, así que no sé por qué hay tanto sobrecarga. Mirando dentro de la función, veo algunas comprobaciones y luego c(m)[v] , donde v es el mismo vector utilizado en el punto de referencia "vec". Sincronizando estos dos ...

v <- (1:nc-1L)*nc+1:nc
microbenchmark(diaglike=c(m)[v],vec=m[v])
# Unit: microseconds
#      expr        min          lq        mean     median          uq        max neval
#  diaglike 579224.436 664853.7450 720372.8105 712649.706 767281.5070 931976.707   100
#       vec    334.843    339.8365    568.7808    646.799    663.5825   1445.067   100

... parece que he encontrado a mi culpable. Entonces, la nueva variación en mi pregunta es: ¿Por qué hay un c en diag aparentemente innecesario y que consume mucho tiempo?

Answer 1

Resumen

A partir de R versión 3.2.1 (World-Famous Astronaut) diag() ha recibido una actualización. La discusión se movió a r.789695.n4.nabble.com/… donde se observó que c() elimina los atributos que no son de nombre y puede haber sido el motivo por el cual se colocó allí. Mientras que a algunas personas les preocupaba que la eliminación de c() causara problemas desconocidos en los objetos parecidos a matrices, Peter Dalgaard descubrió que, "El único caso donde el c() dentro de diag() tiene un efecto es donde M[i,j] != M[(i-1)*m+j] AND c(M) ensartarán M en orden de columna mayor, de modo que M[i,j] == c(M)[(i-1)*m+j] . "

Luke Tierney probó la eliminación de c() @Frank, y descubrió que no afectaba a CRAN o BIOC, por lo que se implementó para reemplazar c (x) [...] por x [...] en la línea 27 . Esto conduce a aceleraciones relativamente grandes en diag() . A continuación se muestra una prueba de velocidad que muestra la mejora con la versión de R 3.2.1 de diag() .

library(microbenchmark)
nc  <- 1e4
set.seed(1)
m <- matrix(sample(letters,nc^2,replace=TRUE), ncol = nc)

    microbenchmark(diagOld(m),diag(m))
    Unit: microseconds
           expr        min          lq        mean      median         uq        max neval
     diagOld(m) 451189.242 526622.2775 545116.5668 531905.5635 540008.704 682223.733   100
        diag(m)    222.563    646.8675    644.7444    714.4575    740.701   1015.459   100