Zwiększanie wydajności ggplot2

Question

Pakiet ggplot2 jest z pewnością najlepszym systemem do kreślenia, z jakim kiedykolwiek pracowałem, z tym że wydajność nie jest zbyt dobra dla większych zestawów danych (~ 50 000 punktów). Zajmuję się dostarczaniem analiz internetowych za pomocą Shiny, używając ggplot2 jako zaplecza kreślarskiego, ale nie jestem zadowolony z wydajności, szczególnie w przeciwieństwie do podstawowej grafiki. Moje pytanie brzmi, czy istnieją konkretne sposoby zwiększenia tej wydajności.

Punktem wyjścia jest następujący przykładowy kod:

library(ggplot2) 

n = 86400 # a day in seconds 
dat = data.frame(id = 1:n, val = sort(runif(n))) 

dev.new() 

gg_base = ggplot(dat, aes(x = id, y = val)) 
gg_point = gg_base + geom_point() 
gg_line = gg_base + geom_line() 
gg_both = gg_base + geom_point() + geom_line() 

benchplot(gg_point) 
benchplot(gg_line) 
benchplot(gg_both) 
system.time(plot(dat)) 
system.time(plot(dat, type = 'l')) 

uzyskać następujące czasy na moim MacPro siatkówce:

> benchplot(gg_point) 
     step user.self sys.self elapsed 
1 construct  0.000 0.000 0.000 
2  build  0.321 0.078 0.398 
3 render  0.271 0.088 0.359 
4  draw  2.013 0.018 2.218 
5  TOTAL  2.605 0.184 2.975 
> benchplot(gg_line) 
     step user.self sys.self elapsed 
1 construct  0.000 0.000 0.000 
2  build  0.330 0.073 0.403 
3 render  0.622 0.095 0.717 
4  draw  2.078 0.009 2.266 
5  TOTAL  3.030 0.177 3.386 
> benchplot(gg_both) 
     step user.self sys.self elapsed 
1 construct  0.000 0.000 0.000 
2  build  0.602 0.155 0.757 
3 render  0.866 0.186 1.051 
4  draw  4.020 0.030 4.238 
5  TOTAL  5.488 0.371 6.046 
> system.time(plot(dat)) 
    user system elapsed 
    1.133 0.004 1.138 
# Note that the timing below depended heavily on wether or net the graphics device 
# was in view or not. Not in view made performance much, much better. 
> system.time(plot(dat, type = 'l')) 
    user system elapsed 
    1.230 0.003 1.233 

Niektóre więcej informacji na mojej konfiguracji:

> sessionInfo() 
R version 2.15.3 (2013-03-01) 
Platform: x86_64-apple-darwin9.8.0/x86_64 (64-bit) 

locale: 
[1] C/UTF-8/C/C/C/C 

attached base packages: 
[1] stats  graphics grDevices utils  datasets methods base  

other attached packages: 
[1] ggplot2_0.9.3.1 

loaded via a namespace (and not attached): 
[1] MASS_7.3-23  RColorBrewer_1.0-5 colorspace_1.2-1 dichromat_2.0-0 
[5] digest_0.6.3  grid_2.15.3  gtable_0.1.2  labeling_0.1  
[9] munsell_0.4  plyr_1.8   proto_0.3-10  reshape2_1.2.2  
[13] scales_0.2.3  stringr_0.6.2  

Answer 1

Hadley miał fajne talk o swoich nowych opakowaniach dplyr i ggvis w user2013. Ale może prawdopodobnie lepiej opowie o tym więcej.

Nie jestem pewien, jak wygląda twój projekt aplikacji, ale często robię wstępne przetwarzanie w bazie danych przed wprowadzeniem danych do R. Na przykład, jeśli tworzysz serie czasowe, naprawdę nie ma potrzeby wyświetlania co sekundę dnia na osi X. Zamiast tego możesz chcieć agregować i uzyskać min/max/średnią ponad np. 1- lub 5-minutowe interwały czasowe.

Poniżej przykład funkcji napisanej wiele lat temu, która zrobiła coś takiego w SQL. Ten konkretny przykład używa operatora modulo, ponieważ czasy były przechowywane jako epoka millis. Ale jeśli dane w SQL są poprawnie przechowywane jako struktury data/datetime, SQL ma bardziej eleganckie metody natywne do agregowania według okresów.

#' @param table name of the table 
#' @param start start time/date 
#' @param end end time/date 
#' @param aggregate one of "days", "hours", "mins" or "weeks" 
#' @param group grouping variable 
#' @param column name of the target column (y axis) 
#' @export 
minmaxdata <- function(table, start, end, aggregate=c("days", "hours", "mins", "weeks"), group=1, column){ 

    #dates 
    start <- round(unclass(as.POSIXct(start))*1000); 
    end <- round(unclass(as.POSIXct(end))*1000); 

    #must aggregate 
    aggregate <- match.arg(aggregate); 

    #calcluate modulus 
    mod <- switch(aggregate, 
    "mins" = 1000*60, 
    "hours" = 1000*60*60, 
    "days" = 1000*60*60*24, 
    "weeks" = 1000*60*60*24*7, 
    stop("invalid aggregate value") 
); 

    #we need to add the time differene between gmt and pst to make modulo work 
    delta <- 1000 * 60 * 60 * (24 - unclass(as.POSIXct(format(Sys.time(), tz="GMT")) - Sys.time())); 

    #form query 
    query <- paste("SELECT", group, "AS grouping, AVG(", column, ") AS yavg, MAX(", column, ") AS ymax, MIN(", column, ") AS ymin, ((CMilliseconds_g +", delta, ") DIV", mod, ") AS timediv FROM", table, "WHERE CMilliseconds_g BETWEEN", start, "AND", end, "GROUP BY", group, ", timediv;") 
    mydata <- getquery(query); 

    #data 
    mydata$time <- structure(mod*mydata[["timediv"]]/1000 - delta/1000, class=c("POSIXct", "POSIXt")); 
    mydata$grouping <- as.factor(mydata$grouping) 

    #round timestamps 
    if(aggregate %in% c("mins", "hours")){ 
    mydata$time <- round(mydata$time, aggregate) 
    } else { 
    mydata$time <- as.Date(mydata$time); 
    } 

    #return 
    return(mydata) 
}