1. 第4回ゼロからはじめるＲ勉強会
ゼロからファンクションを作る

2. Agenda
 自己紹介
 カスタマイズした関数がほしい
 関数を作る
 高い再現性
 高速化が可能
 バイナリー化する
 効果を確認する

3. Agenda
 自己紹介
 カスタマイズした関数がほしい
 関数を作る
 高い再現性
 高速化が可能
 バイナリー化する
 効果を確認する

4. 自己紹介
 名前
飯田 啓介
(twitter: menphis_feel)
(facebookの方に主に出現)
 会社
株式会社ブリリアントサービス
 業務
サーバー、データ解析、マイニング

5. Agenda
 自己紹介
 カスタマイズした関数がほしい
 関数を作る
 高い再現性
 高速化が可能
 バイナリー化する
 効果を確認する

6. カスタマイズした関数がほしい
Rは統計解析のライブラリーが充実
統計解析を少ないステップ数で実行できることが特
徴
 統計解析に特化した関数が標準で組み込まれている
 スクリプトなので細かい設定が不要
 CRANパッケージでモジュールの拡張が容易

7. カスタマイズした関数がほしい
実績のある関数は再利用したい
 他プロジェクトでも利用したい
 実績のある関数は部品化しておく
 高いデータの再現性
 処理を高速化したい

8. Agenda
 自己紹介
 カスタマイズした関数がほしい
 関数を作る
 高い再現性
 高速化が可能
 バイナリー化する
 効果を確認する

9. 関数の基本系
関数名<-function(x){
x<-x+10
return(x)
}
関数を作る

10. 関数を作る
> # 基本形
> f.test<-function(x){
+ x<-x+10 # 引数に10をたす
+ return(x) # 結果を返す
+ }
>
> # 実行
> f.test(2)
[1] 12
早速関数を作ってみる

11. 関数を作る
# 文字列を変数に指定
f.test2<-function(s){
# 結合する文字列を設定
smp.pb <- c("おはよう","こんばんわ","こんにちわ","寒いで
すね","暑いですね")
# 文字列をランダムに抽出
rndStr<-sample(smp.pb,1)
# 文字列を結合する
s<-paste(s, rndStr)
return(s)
}
> f.test2("飯田さん")
[1] "飯田さん おはよう"
当然スクリプトなので型指定などはない。

12. Agenda
 自己紹介
 カスタマイズした関数がほしい
 関数を作る
 高い再現性
 高速化が可能
 バイナリー化する
 効果を確認する

13. 高い再現性
$ R --no-save --vanilla --file=r04_test.R
Rのファイルをそのまま読みこませればデータを再現させれ
る。

14. Agenda
 自己紹介
 カスタマイズした関数がほしい
 関数を作る
 高い再現性
 高速化が可能
 バイナリー化する
 効果を確認する

15. 高速化が可能
スクリプトスクリプト
インラインインライン コンパイルコンパイル
おそいおそい バイナリーバイナリー
はやいはやい

16. 高速化が可能
● よく使う関数
● 長いコードの関数
●
for文などコストのかかる関数
高速化の効果があるコード

17. Agenda
 自己紹介
 カスタマイズした関数がほしい
 関数を作る
 高い再現性
 高速化が可能
 バイナリー化する
 効果を確認する

18. バイナリー化する
> library(compiler)
> binary_func = compiler::cmpfun(inline_func)
> library(compiler)
> binary_func = compiler::cmpfun(inline_func)
バイナリー化のコードはこれだけ

19. Agenda
 自己紹介
 カスタマイズした関数がほしい
 関数を作る
 高い再現性
 高速化が可能
 バイナリー化する
 効果を確認する

20. 効果を確認する
1. 処理時間の長い関数を作成
samples.low_random<-function(s_val){
tensu<-c(1:100)
x<-sample(length(tensu), size=3, replace=FALSE, prob=tensu)
for (i in 2:s_val){
aa<-0
for(zz in c(1:10000)){
aa<-aa+zz
}
y<-sample(length(tensu), size=3, replace=FALSE, prob=tensu)
x<-rbind(x,y)
}
…...........
}

21. 効果を確認する
2. コンパイルして高速化
library(compiler)
samples.high_random = compiler::cmpfun(samples.low_random)

22. 効果を確認する
3. 実行してグラフ化
measure_start<-function(s_vals){
measures.period<-c(0,0)
for (x in s_vals){
print(x)
l_time<-samples.low_func(x)
h_time<-samples.high_func(x)
y<-c(l_time[1], h_time[1])
measures.period<-rbind(measures.period, y)
}
…...............
plot(
samples.times,
(df.z[,1] - df.z[,2]),
type="l",
pch = pchs[2],.…...............
}

23. 効果を確認する
4. 結果
関数内のループ処理回数による実行時間の差分を対数グラフで
表す。 処理回数と実行時間の差分

24. 効果を確認する
実行時間の違いを正規分布で表すと効果がよくわかる。

25. ご清聴ありがとうございました
Ｒを共に勉強しましょ
う！