为什么range()函数比min和max的组合慢？

Question

我发现了R语言的range函数，它无疑是一个有用的工具，可以使代码更易读，但是通过用包含min和max的简单一行代码来替换它，可以将其速度提升一倍。

我进行了一些基准测试，发现range函数的性能不佳令我感到惊讶。为了比较，我编写了一个名为range2的函数，它使用了min和max（见代码）。除了速度之外，如果可以通过一个简单的一行代码轻松地阅读来取代它，那么还有什么原因存在这个函数呢？

require(microbenchmark)

range2 <- function(x) c(min(x),max(x))  

n <- 1000000
x <- rnorm(n)
microbenchmark(range(x), range2(x))
#Unit: milliseconds
#  expr      min       lq     mean   median       uq     max neval cld
# range(x) 4.696101 4.734751 5.321603 4.796301 4.814751 23.0646   100   b
#range2(x) 2.477602 2.516101 2.542540 2.535051 2.544052  3.7636   100  a 

n <- 10000000
x <- rnorm(n)
microbenchmark(range(x), range2(x))
# Unit: milliseconds
#  expr     min      lq     mean   median       uq      max neval cld
# range(x) 47.3246 47.9498 58.27992 55.25795 61.98205 146.5100   100   b
#range2(x) 24.7063 25.5021 25.59192 25.55245 25.63515  27.1088   100  a

毫无疑问，这不是人们想要消除的第一个瓶颈，因为我们正在讨论一个包含10,000,000个条目的向量中的毫秒级问题，但我期望range更快。我的简单直觉是：

range一次遍历数据并同时搜索最小值和最大值，而我的range2函数需要遍历两次数据：一次查找最小值，一次查找最大值。

也许有人可以提供一些实现的背景信息。也许原因是min和max是用C实现的，而range却没有？

附加说明： 我已经和我的朋友谈过了这个问题，他通过用C++实现来使这个函数更快：

#include <Rcpp.h>
#include <float.h>
using namespace Rcpp;
// [[Rcpp::export]]
NumericVector range3(NumericVector x) {
  int xs = x.size();
  double minValue = FLT_MAX;
  double maxValue = FLT_MIN;
  for (int i =0; i < xs; i++) {
    if (x[i] < minValue) minValue = x[i];
    if (x[i] > maxValue) maxValue = x[i];
  }
  Rcpp::NumericVector result(2);
  result[0] = minValue;
  result[1] = maxValue;
  return result;
}

这将产生以下基准测试:

n <- 10000000
x <- rnorm(n)
microbenchmark(range(x), range2(x) ,range3(x))
#Unit: milliseconds
#      expr     min       lq     mean  median       uq      max neval cld
#  range(x) 47.8583 48.30355 58.12575 55.3135 62.10295 149.9648   100   c
# range2(x) 24.8211 25.53615 25.90920 25.6176 25.79175  42.4659   100  b 
# range3(x) 13.2458 13.30385 13.47175 13.3797 13.65410  14.3487   100 a

- Jonas

---

从 range.default 中可以看出，在调用 c(min(x), max(x)) 之前，它会进行一些额外的检查。它并不是针对速度进行优化的，而是一个用户友好的函数。这些毫秒级别的差异似乎不太可能成为性能瓶颈的来源。 - MrFlick

你可以通过执行命令 getAnywhere(range.default) 查看 range.default 的源代码。 - Cettt

еҮҪж•°е®ҡд№үеә”иҜҘеңЁиҝҗиЎҢrange.defaultиҝҷдёҖиЎҢд»Јз Ғж—¶жҳҫзӨәгҖӮ - IceCreamToucan

感谢您的回答。这只是一个很好的例子，说明了对正在处理的数据有一些了解是有帮助的，因为您可以避免不必要的检查。 - Jonas

我对R一无所知，但猜测是：内部的 x[i]<minValue 和 x[i]>maxValue 检查仅对前几个数据元素返回 true。之后，只有“异常值”才会返回 true。因此，我很想看一下这些函数在以下数据基础上的比较情况：1.恒定数据，2.升序数据，3.降序数据（是的，我们可以听到“分支预测失败”这些词语在这里悄悄蔓延...） - Marco13

@MrFlick，请将您的评论放入答案中，这是一个高票、尚未回答的问题。值得将其标记为已解决。 - jangorecki

Answer 1

这里是 range.default 的源代码（运行于 R 3.6.1）

 > range.default
function (..., na.rm = FALSE, finite = FALSE) 
{
    x <- c(..., recursive = TRUE)
    if (is.numeric(x)) {
        if (finite) 
            x <- x[is.finite(x)]
        else if (na.rm) 
            x <- x[!is.na(x)]
        c(min(x), max(x))
    }
    else {
        if (finite) 
            na.rm <- TRUE
        c(min(x, na.rm = na.rm), max(x, na.rm = na.rm))
    }
}

您可以看到，在调用c(min(x), max(x))之前，它会进行一些额外的检查。它并不是为了速度而优化的。它只是一个用户友好的函数。那些毫秒级别的差异似乎不太可能成为性能瓶颈的源头。

- MrFlick