Benchmarkingowa funkcja „próbki” w R.

samplePorównywałem funkcję w języku R i porównywałem ją z, igraph:sample_seqi uzyskałem dziwny wynik.

Kiedy prowadzę coś takiego:

library(microbenchmark)
library(igraph)
set.seed(1234)
N <- 55^4
M <- 500
(mbm <- microbenchmark(v1 = {sample(N,M)}, 
                       v2 = {igraph::sample_seq(1,N,M)}, times=50))

Otrzymuję taki wynik:

Unit: microseconds
 expr       min        lq        mean     median        uq       max neval
   v1 21551.475 22655.996 26966.22166 23748.2555 28340.974 47566.237    50
   v2    32.873    37.952    82.85238    81.7675    96.141   358.277    50

Ale kiedy biegam, na przykład

set.seed(1234)
N <- 100^4
M <- 500
(mbm <- microbenchmark(v1 = {sample(N,M)}, 
                      v2 = {igraph::sample_seq(1,N,M)}, times=50))

Otrzymuję znacznie szybszy wynik dla sample:

Unit: microseconds
 expr    min     lq     mean  median     uq     max neval
   v1 52.165 55.636 64.70412 58.2395 78.636  88.120    50
   v2 39.174 43.504 62.09600 53.5715 73.253 176.419    50

Wydaje się, że kiedy Njest potęgą 10 (lub jakąś inną specjalną liczbą?), sampleJest znacznie szybszy niż inne mniejsze N, które nie są potęgami 10. Czy to oczekiwane zachowanie lub czegoś mi brakuje?

sample()lub raczej sample.int()domyślnie używa algorytmu skrótu, gdy spełnione są określone warunki, z których jeden to n> 1e7.

Jeśli drugi test zostanie powtórzony bez mieszania, zobaczysz, że jest on również znacznie wolniejszy niż funkcja igraph.

set.seed(1234)
N2 <- 100^4
M <- 500
(mbm <- microbenchmark(v1 = {sample.int(N2,M, useHash = FALSE)}, 
                       v2 = {igraph::sample_seq(1,N2,M)}, times=50))

Unit: microseconds
 expr        min         lq         mean     median         uq       max neval cld
   v1 144297.936 150368.649 167224.95664 154283.077 157832.520 407710.78    50   b
   v2     61.218     65.392     92.35544     87.885    118.262    148.87    50  a 

Z dokumentacji useHashargumentu:

logiczne wskazanie, czy należy użyć wersji skrótu algorytmu. Może być użyty tylko dla replace = FALSE, prob = NULL i size <= n / 2, i naprawdę powinien być używany dla dużych n, ponieważ useHash = FALSE użyje pamięci proporcjonalnej do n.