为什么 R for 循环比使用 foreach 慢 10 倍？答案

【问题标题】：Why is R for loop 10 times slower than when using foreach?为什么 R for 循环比使用 foreach 慢 10 倍？
【发布时间】：2014-07-09 10:49:12
【问题描述】：

这真的让我大吃一惊。在我的计算机上，基本循环大约需要 8 秒：

system.time({
x <- 0
for (p in 1:2) {
    for (i in 1:500) {
        for (j in 1:5000) {
            x <- x + i * j
        }
    }
}
})
x

而如果我在非并行模式下使用foreach，它确实只需要 0.7 秒！！！

system.time({
x <- 0
foreach(p = 1:2, .combine = rbind) %do% 
    for (i in 1:500) {
        for (j in 1:5000) {
            x <- x + i * j
        }
    }
})
x

结果是一样的，但是foreach 以某种方式能够比基本 R 更快地达到它！基础R的低效率在哪里？

这怎么可能？

事实上，我得到了与这个完全相反的结果：Why is foreach() %do% sometimes slower than for?

【问题讨论】：

这是一个完美的例子，说明如何编写包可以改进/增强基本方法。
@Richard 太好了，如果你明白为什么会发生什么，请发表答案。
代码被编译，最终由make.codeBuf
@James，是的，听起来像！
所以如果你把你的三重循环，把它变成一个函数，并使用compile::cmpfun，结果函数会和foreach一样快吗？

标签： r foreach parallel-foreach

【解决方案1】：

foreach 在顺序使用时最终使用compiler 使用非导出函数make.codeBuf 和cmp 生成编译字节码。您可以使用cmpfun 将内部循环编译为字节码来模拟这一点并实现类似的加速。

f.original <- function() {
x <- 0
for (p in 1:2) {
    for (i in 1:500) {
        for (j in 1:5000) {
            x <- x + i * j
        }
    }
}
x
}

f.foreach <- function() {
x <- 0
foreach(p = 1:2, .combine = rbind) %do% 
    for (i in 1:500) {
        for (j in 1:5000) {
            x <- x + i * j
        }
    }
x
}

f.cmpfun <- function(x) {
f <- cmpfun(function(x) {
    for (i in 1:500) {
        for (j in 1:5000) {
            x <- x + i * j
            }
        }
        x
    })
    f(f(0))
}

结果

library(microbenchmark)
microbenchmark(f.original(),f.foreach(),f.cmpfun(), times=5)
Unit: milliseconds
         expr       min        lq    median        uq       max neval
 f.original() 4033.6114 4051.5422 4061.7211 4072.6700 4079.0338     5
  f.foreach()  426.0977  429.6853  434.0246  437.0178  447.9809     5
   f.cmpfun()  418.2016  427.9036  441.7873  444.1142  444.4260     5
all.equal(f.original(),f.foreach(),f.cmpfun())
[1] TRUE

【讨论】：