{"draftJsState":{"blocks":[{"data":{"image":{"id":"6472e104da735e59557d6779"}},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"atomic:image","key":"a7m4k"},{"data":{},"depth":0,"entityRanges":[{"key":0,"length":22,"offset":10}],"inlineStyleRanges":[],"text":"Источник: Nuances of Programming","type":"unstyled","key":"dv7fi"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Язык программирования R активно применяется для анализа данных в бизнесе и науке. Это важный и очень популярный инструмент науки о данных. Его предпочитают многие статистики и дата-сайентисты, которые часто работают с большими объемами данных и сложными статистическими задачами.","type":"unstyled","key":"erad4"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Главная роль здесь отводится памяти и времени выполнения. Для максимальной производительности нужен эффективный код. Напишите его в своем следующем проекте на R, следуя этим семи рекомендациям.","type":"unstyled","key":"6fmgi"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Рекомендация 1. Выполняйте профилирование кода","type":"header-three","key":"fas1o"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Дата-сайентисты часто стремятся оптимизировать код, сделать его быстрее. Но если довериться интуиции, можно оптимизировать не те части кода, потеряв время и силы. Решение — профилирование. Код оптимизируется, только когда известны медленные его части, которые находят при профилировании.","type":"unstyled","key":"3hutt"},{"data":{},"depth":0,"entityRanges":[{"key":1,"length":7,"offset":0},{"key":2,"length":7,"offset":124}],"inlineStyleRanges":[{"length":7,"offset":183,"style":"ITALIC"}],"text":"Rprof() — встроенный инструмент профилирования кода. Использовать его напрямую не очень удобно, поэтому рекомендуем пакет profvis для визуализирования данных профилирования кода из Rprof(). Пакет устанавливается консольной командой:","type":"unstyled","key":"eakek"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"install.packages(\"profvis\")","type":"unstyled","key":"fadhe"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Вот пример профилирования кода:","type":"unstyled","key":"7jh5a"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"library(\"profvis\")\n\nprofvis({\n y <- 0\n for (i in 1:10000) {\n y <- c(y,i)\n }\n})","type":"blockquote","key":"4o9cv"},{"data":{},"depth":0,"entityRanges":[{"key":3,"length":7,"offset":20}],"inlineStyleRanges":[],"text":"Запустив этот код в RStudio, получаем:","type":"unstyled","key":"eei9l"},{"data":{"image":{"id":"6472e1338dcfc23d8df46632"}},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Flame Graph, изображение автора","type":"atomic:image","key":"fd0fk"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":6,"offset":166,"style":"ITALIC"},{"length":4,"offset":286,"style":"ITALIC"}],"text":"Вверху показан код на R с гистограммами памяти и времени выполнения каждой его строки. Здесь обрисовываются возможные проблемы кода, но без точной причины. В столбце memory баром слева показано, сколько памяти в Мб для каждого вызова выделено, справа — сколько освобождено. В столбце time дано время выполнения каждой строки в мс, например строка 4 — 280 мс.","type":"unstyled","key":"d4kin"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":11,"offset":14,"style":"BOLD"},{"length":11,"offset":14,"style":"ITALIC"},{"length":4,"offset":178,"style":"ITALIC"},{"length":6,"offset":228,"style":"ITALIC"}],"text":"Внизу показан Flame Graph с полным стеком вызовов. Здесь дается вся их последовательность. Наводя курсор на отдельные вызовы, получаем данные о них. Посмотрите: сборщиком мусора тратится много времени. Но почему? В столбце memory наблюдается повышенная потребность в памяти: много ее выделяется и освобождается в строке 4. Каждой итерацией создается очередная копия y, отсюда повышенное потребление памяти. Избегайте таких задач копирования/изменения.","type":"unstyled","key":"70qfm"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":4,"offset":20,"style":"BOLD"},{"length":4,"offset":20,"style":"ITALIC"}],"text":"Еще имеется вкладка Data с перечнем всех вызовов, особенно удобная для сложных вложенных вызовов:","type":"unstyled","key":"euk2s"},{"data":{"image":{"id":"6472e1336b0870593a968623"}},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Вкладка Data, изображение автора","type":"atomic:image","key":"b59n0"},{"data":{},"depth":0,"entityRanges":[{"key":4,"length":6,"offset":35}],"inlineStyleRanges":[{"length":6,"offset":12,"style":"ITALIC"}],"text":"Подробнее о provis — на странице Github.","type":"unstyled","key":"2u6j2"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Рекомендация 2. Векторизируйте код","type":"header-three","key":"717tf"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Векторизация — это не только уход от циклов for(), но и замена скаляров векторами. Векторизация очень важна для ускорения кода на R. В векторизованных функциях применяют циклы, написанные не на R, а на C: у них меньше накладных расходов и они намного быстрее. Векторизация — это поиск имеющейся функции на R, которая реализована на C и точно соответствует задаче. Векторизованные матричные функции rowSums(), colSums(), rowMeans() и colMeans() удобны для ускорения кода на R и всегда выполняются быстрее функции apply().","type":"unstyled","key":"5lmhs"},{"data":{},"depth":0,"entityRanges":[{"key":5,"length":14,"offset":52}],"inlineStyleRanges":[{"length":14,"offset":211,"style":"ITALIC"}],"text":"Для измерения времени выполнения используется пакет microbenchmark на R. Чтобы минимизировать накладные расходы, все выражения в нем вычисляются на C, на выходе выдается сводка статистических показателей. Пакет microbenchmark устанавливается консольной командой:","type":"unstyled","key":"a8go5"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"install.packages(\"microbenchmark\")","type":"blockquote","key":"7uil7"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Сравним время выполнения apply() и colMeans():","type":"unstyled","key":"bt6go"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"install.packages(\"microbenchmark\")\nlibrary(\"microbenchmark\")\n\ndata.frame <- data.frame (a = 1:10000, b = rnorm(10000))\nmicrobenchmark(times=100, unit=\"ms\", apply(data.frame, 2, mean), colMeans(data.frame))\n\n# пример консольного вывода:\n# Единица измерения: миллисекунды\n# expr min lq mean median uq max neval\n# apply(data.frame, 2, mean) 0.439540 0.5171600 0.5695391 0.5310695 0.6166295 0.884585 100\n# colMeans(data.frame) 0.183741 0.1898915 0.2045514 0.1948790 0.2117390 0.287782 100","type":"blockquote","key":"3op79"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":14,"offset":151,"style":"ITALIC"},{"length":3,"offset":203,"style":"ITALIC"}],"text":"В обоих случаях вычисляем среднее значение по каждому столбцу фрейма данных. Для надежности результата делаем 100 запусков (times=10), используя пакет microbenchmark. Итог: функция colMeans() примерно в три раза быстрее.","type":"unstyled","key":"e2m6s"},{"data":{},"depth":0,"entityRanges":[{"key":6,"length":10,"offset":61}],"inlineStyleRanges":[],"text":"Хотите знать больше о векторизации? Рекомендуем онлайн-книгу R Advanced (Eng).","type":"unstyled","key":"asfrs"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Рекомендация 3. Матрицы вместо фреймов данных","type":"header-three","key":"81msd"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Матрицы похожи на фреймы данных: это двумерные объекты, работа некоторых функций одинакова. Разница: все элементы матрицы должны иметь один тип.","type":"unstyled","key":"2hq7g"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":4,"offset":78,"style":"ITALIC"}],"text":"Матрицы часто используются для статистических вычислений. Например, в функции lm() входные данные преобразуются в матрицу. Затем вычисляются результаты. В целом матрицы быстрее фреймов данных.","type":"unstyled","key":"73oub"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Рассмотрим различия между ними во времени выполнения:","type":"unstyled","key":"b4ooj"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"library(\"microbenchmark\")\n\nmatrix = matrix (c(1, 2, 3, 4), nrow = 2, ncol = 2, byrow = 1)\ndata.frame <- data.frame (a = c(1, 3), b = c(2, 4))\n\nmicrobenchmark(times=100, unit=\"ms\", matrix[1,], data.frame[1,])\n\n# пример консольного вывода:\n# Единица измерения: миллисекунды\n# expr min lq mean median uq max neval\n# matrix[1, ] 0.000499 0.0005750 0.00123873 0.0009255 0.001029 0.019359 100\n# data.frame[1, ] 0.028408 0.0299015 0.03756505 0.0308530 0.032050 0.220701 100","type":"blockquote","key":"6qt0v"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":14,"offset":76,"style":"ITALIC"},{"length":16,"offset":148,"style":"BOLD"}],"text":"Чтобы получить статистически значимую оценку, делаем 100 запусков с пакетом microbenchmark. Очевидно, что доступ к первой строке у матрицы примерно в 30 раз быстрее, чем у фрейма данных. Матрица значительно быстрее, поэтому предпочтительнее фрейма данных.","type":"unstyled","key":"cvue4"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Рекомендация 4. is.na() и anyNA","type":"header-three","key":"35kph"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Имеется две функции для проверки пропущенных значений в векторе: is.na() и anyNA(). Тестируем, какая функция выполняется быстрее:","type":"unstyled","key":"3h4sn"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"library(\"microbenchmark\")\n\nx <- c(1, 2, NA, 4, 5, 6, 7) \nmicrobenchmark(times=100, unit=\"ms\", anyNA(x), any(is.na(x)))\n\n# пример консольного вывода:\n# Единица измерения: миллисекунды\n# expr min lq mean median uq max neval\n# anyNA(x) 0.000145 0.000149 0.00017247 0.000155 0.000182 0.000895 100\n# any(is.na(x)) 0.000349 0.000362 0.00063562 0.000386 0.000393 0.022684 100","type":"blockquote","key":"9kjon"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"anyNA() в среднем значительно быстрее, чем is.na(), по возможности используйте ее.","type":"unstyled","key":"hud3"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Рекомендация 5. if() … else() вместо ifelse()","type":"header-three","key":"9lqi4"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"if() ... else() — стандартная функция потока управления, а ifelse() удобнее для пользователя.","type":"unstyled","key":"50a9n"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Схема работы Ifelse():","type":"unstyled","key":"85bn8"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"# тест: условие, если_да: условие true, если_нет: условие false\nifelse(test, if_yes, if_no)","type":"blockquote","key":"594gh"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"С точки зрения многих программистов, ifelse() понятнее многострочной альтернативы. Недостаток: ifelse() не столь эффективна в вычислительном отношении. В этом тесте производительности if() ... else() выполняется более чем в 20 раз быстрее:","type":"unstyled","key":"fnbnc"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"library(\"microbenchmark\")\n\nif.func <- function(x){\n for (i in 1:1000) {\n if (x < 0) {\n \"negative\"\n } else {\n \"positive\"\n }\n }\n}\n\nifelse.func <- function(x){\n for (i in 1:1000) {\n ifelse(x < 0, \"negative\", \"positive\")\n }\n}\n\nmicrobenchmark(times=100, unit=\"ms\", if.func(7), ifelse.func(7))\n\n# пример консольного вывода:\n# Единица измерения: миллисекунды\n# expr min lq mean median uq max neval\n# if.func(7) 0.020694 0.020992 0.05181552 0.021463 0.0218635 3.000396 100\n# ifelse.func(7) 1.040493 1.080493 1.27615668 1.163353 1.2308815 7.754153 100","type":"blockquote","key":"3pnij"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Избегайте ifelse() в сложных циклах, иначе работа программы значительно замедлится.","type":"unstyled","key":"6jad3"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Рекомендация 6. Параллельные вычисления","type":"header-three","key":"50qku"},{"data":{},"depth":0,"entityRanges":[{"key":7,"length":8,"offset":194}],"inlineStyleRanges":[],"text":"Большинство процессоров многоядерные, то есть с параллельной обработкой задач или параллельными вычислениями, которые возможны в приложениях на R благодаря предустановленному в базовом R пакету parallel. Этой командой загружаем его и посмотрим, сколько ядер у компьютера:","type":"unstyled","key":"eeou3"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"library(\"parallel\")\n\nno_of_cores = detectCores()\nprint(no_of_cores)\n\n# пример консольного вывода:\n# [1] 8","type":"blockquote","key":"c8lgo"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Параллельная обработка данных идеальна для моделирования методом Монте-Карло. Реализация модели воспроизводится каждым ядром независимо, в конце подводятся итоги.","type":"unstyled","key":"4pbt0"},{"data":{},"depth":0,"entityRanges":[{"key":8,"length":23,"offset":38},{"key":9,"length":8,"offset":127},{"key":10,"length":9,"offset":176}],"inlineStyleRanges":[],"text":"Следующий пример взят из онлайн-книги Efficient R Programming (Эффективное программирование на R). Сначала устанавливаем пакет devtools. С его помощью загружаем с GitHub пакет efficient. Для этого вводим в консоли RStudio следующие команды:","type":"unstyled","key":"1pmet"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"install.packages(\"devtools\")\nlibrary(\"devtools\")\n\ndevtools::install_github(\"csgillespie/efficient\", args = \"--with-keep.source\")","type":"blockquote","key":"fta4n"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":9,"offset":9,"style":"ITALIC"}],"text":"В пакете efficient имеется функция snakes_ladders(), которой моделируется одиночная игра «Змейки и лестницы». Применим это моделирование для измерения времени выполнения функции sapply() и ее распараллеленного варианта parSapply():","type":"unstyled","key":"dkr0m"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"library(\"parallel\")\nlibrary(\"microbenchmark\")\nlibrary(\"efficient\")\n\nN = 10^4\ncl = makeCluster(4)\n\nmicrobenchmark(times=100, unit=\"ms\", sapply(1:N, snakes_ladders), parSapply(cl, 1:N, snakes_ladders))\nstopCluster(cl)\n\n# пример консольного вывода:\n# Единица измерения: миллисекунды\n# expr min lq mean median uq max neval\n# sapply(1:N, snakes_ladders) 3610.745 3794.694 4093.691 3957.686 4253.681 6405.910 100\n# parSapply(cl, 1:N, snakes_ladders) 923.875 1028.075 1149.346 1096.950 1240.657 2140.989 100","type":"blockquote","key":"1vkt0"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Моделирование с parSapply() в среднем примерно в 3,5 раза быстрее, чем с sapply(). Эта рекомендация быстро интегрируется в имеющийся проект на R.","type":"unstyled","key":"6kik9"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Рекомендация 7. Интерфейс сопряжения R с другими языками","type":"header-three","key":"a6dej"},{"data":{},"depth":0,"entityRanges":[{"key":11,"length":4,"offset":175},{"key":12,"length":5,"offset":182}],"inlineStyleRanges":[],"text":"Бывают ситуации, где код на R просто медленный и никакими приемами не убыстряется. Перепишите его на другой язык — для них в R имеются интерфейсы в виде R-пакетов, например Rcpp и rJava. Легко написать код на C++, особенно если имеется опыт разработки ПО, и использовать этот код на R.","type":"unstyled","key":"99hk0"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Сначала устанавливаем Rcpp:","type":"unstyled","key":"4htmk"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"install.packages(\"Rcpp\")","type":"blockquote","key":"2kt8h"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Продемонстрируем применяемый подход:","type":"unstyled","key":"afivn"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"library(\"Rcpp\")\n\ncppFunction('\n double sub_cpp(double x, double y) {\n double value = x - y;\n return value;\n }\n')\n\nresult <- sub_cpp(142.7, 42.7)\nprint(result)\n\n# консольный вывод:\n# [1] 100","type":"blockquote","key":"9418i"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"C++ — мощный, самый подходящий для ускорения кода язык. Для очень сложных вычислений рекомендуем использовать код на нем.","type":"unstyled","key":"d0mhh"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Заключение","type":"header-three","key":"dilk3"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Из статьи мы узнали, как анализируется и ускоряется код на R.","type":"unstyled","key":"g0dq"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":6,"offset":35,"style":"ITALIC"}],"text":"Анализ кода поддерживается пакетом provis.","type":"unordered-list-item","key":"c1qqc"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Применяются векторизованные функции rowSums(), colSums(), rowMeans() и colMeans().","type":"unordered-list-item","key":"445jj"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Где возможно, вместо фреймов данных используются матрицы.","type":"unordered-list-item","key":"eu3kq"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Пропущенные значения в векторе проверяются с помощью anyNA(), а не is.na().","type":"unordered-list-item","key":"7avtn"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Код на R ускоряется использованием if() ... else() вместо ifelse().","type":"unordered-list-item","key":"3nl59"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[{"length":8,"offset":71,"style":"ITALIC"}],"text":"Для сложного моделирования применяются распараллеленные функции пакета parallel.","type":"unordered-list-item","key":"f21m7"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Максимальная производительность сложных частей кода достигается использованием пакета Rcpp.","type":"unordered-list-item","key":"cs7fu"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"Читайте также:","type":"unstyled","key":"7klb0"},{"data":{},"depth":0,"entityRanges":[{"key":13,"length":70,"offset":0}],"inlineStyleRanges":[],"text":"Создание анимированной пузырьковой диаграммы Ханса Рослинга на языке R","type":"unordered-list-item","key":"4vl7l"},{"data":{},"depth":0,"entityRanges":[{"key":14,"length":35,"offset":0}],"inlineStyleRanges":[],"text":"Создание API в R при помощи Plumber","type":"unordered-list-item","key":"eieed"},{"data":{},"depth":0,"entityRanges":[{"key":15,"length":66,"offset":0}],"inlineStyleRanges":[],"text":"Три библиотеки R, которые должен знать каждый специалист по данным","type":"unordered-list-item","key":"dl11"},{"data":{},"depth":0,"entityRanges":[{"key":16,"length":8,"offset":14},{"key":17,"length":2,"offset":24}],"inlineStyleRanges":[],"text":"Читайте нас в Telegram, VK","type":"unstyled","key":"9i5sk"},{"data":{},"depth":0,"entityRanges":[{"key":18,"length":10,"offset":15},{"key":19,"length":37,"offset":27}],"inlineStyleRanges":[{"length":15,"offset":0,"style":"ITALIC"}],"text":"Перевод статьи Janik Tinz: Boost your R Skills to the next level","type":"unstyled","key":"76rqn"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"unstyled","key":"4tgib"},{"data":{},"depth":0,"entityRanges":[],"inlineStyleRanges":[],"text":"","type":"marker","key":"6mjkX17rYTohOAm7CTnJ"}],"entityMap":{"11":{"data":{"href":"https://cran.r-project.org/web/packages/Rcpp/index.html","url":"https://cran.r-project.org/web/packages/Rcpp/index.html"},"mutability":"MUTABLE","type":"LINK"},"12":{"data":{"href":"https://cran.r-project.org/web/packages/rJava/index.html","url":"https://cran.r-project.org/web/packages/rJava/index.html"},"mutability":"MUTABLE","type":"LINK"},"13":{"data":{"href":"https://nuancesprog.ru/p/16535/","url":"https://nuancesprog.ru/p/16535/"},"mutability":"MUTABLE","type":"LINK"},"14":{"data":{"href":"https://nuancesprog.ru/p/16705/","url":"https://nuancesprog.ru/p/16705/"},"mutability":"MUTABLE","type":"LINK"},"15":{"data":{"href":"https://nuancesprog.ru/p/14781/","url":"https://nuancesprog.ru/p/14781/"},"mutability":"MUTABLE","type":"LINK"},"16":{"data":{"href":"https://t.me/nuancesprog","url":"https://t.me/nuancesprog"},"mutability":"MUTABLE","type":"LINK"},"17":{"data":{"href":"https://vk.com/nuancesprog","url":"https://vk.com/nuancesprog"},"mutability":"MUTABLE","type":"LINK"},"18":{"data":{"href":"https://janiktinz.medium.com/?source=post_page-----c47ed7a48948--------------------------------","url":"https://janiktinz.medium.com/?source=post_page-----c47ed7a48948--------------------------------"},"mutability":"MUTABLE","type":"LINK"},"19":{"data":{"href":"https://pub.towardsai.net/boost-your-r-skills-to-the-next-level-c47ed7a48948","url":"https://pub.towardsai.net/boost-your-r-skills-to-the-next-level-c47ed7a48948"},"mutability":"MUTABLE","type":"LINK"},"0":{"data":{"url":"https://nuancesprog.ru/p/17451/"},"mutability":"MUTABLE","type":"LINK"},"1":{"data":{"href":"https://www.rdocumentation.org/packages/utils/versions/3.6.2/topics/Rprof","url":"https://www.rdocumentation.org/packages/utils/versions/3.6.2/topics/Rprof"},"mutability":"MUTABLE","type":"LINK"},"2":{"data":{"href":"http://rstudio.github.io/profvis/","url":"http://rstudio.github.io/profvis/"},"mutability":"MUTABLE","type":"LINK"},"3":{"data":{"href":"https://posit.co/downloads/","url":"https://posit.co/downloads/"},"mutability":"MUTABLE","type":"LINK"},"4":{"data":{"href":"https://github.com/rstudio/profvis","url":"https://github.com/rstudio/profvis"},"mutability":"MUTABLE","type":"LINK"},"5":{"data":{"href":"https://cran.r-project.org/web/packages/microbenchmark/microbenchmark.pdf","url":"https://cran.r-project.org/web/packages/microbenchmark/microbenchmark.pdf"},"mutability":"MUTABLE","type":"LINK"},"6":{"data":{"href":"https://adv-r.hadley.nz/perf-improve.html","url":"https://adv-r.hadley.nz/perf-improve.html"},"mutability":"MUTABLE","type":"LINK"},"7":{"data":{"href":"https://stat.ethz.ch/R-manual/R-devel/library/parallel/doc/parallel.pdf","url":"https://stat.ethz.ch/R-manual/R-devel/library/parallel/doc/parallel.pdf"},"mutability":"MUTABLE","type":"LINK"},"8":{"data":{"href":"https://csgillespie.github.io/efficientR/performance.html#performance-parallel","url":"https://csgillespie.github.io/efficientR/performance.html#performance-parallel"},"mutability":"MUTABLE","type":"LINK"},"9":{"data":{"href":"https://cran.r-project.org/web/packages/devtools/index.html","url":"https://cran.r-project.org/web/packages/devtools/index.html"},"mutability":"MUTABLE","type":"LINK"},"10":{"data":{"href":"https://github.com/csgillespie/efficient","url":"https://github.com/csgillespie/efficient"},"mutability":"MUTABLE","type":"LINK"}}},"mentions":[]}