R Academy · 课时

使用 Rprof 和 profvis 分析代码性能

Q: 「使用 Rprof 和 profvis 分析代码性能」这节课中我会学到什么？

找出脚本中耗时最多的函数 你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

找出脚本中耗时最多的函数

使用 Rprof 和 profvis 分析代码性能 是 CoddyKit 上的免费 R Academy 课时。这是第 2 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 R Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 R Academy 课程共包含 4 节课。

什么是性能分析

计时可以告诉您代码运行了多长时间。性能分析则可以告诉您代码内部的时间花在哪里。R 的性能分析器会定期对调用栈进行采样，从而以统计方式呈现哪些函数开销较大。

主要有两个工具：内置的 Rprof() 和交互式 profvis 包。

启动和停止 Rprof()

Rprof('output.prof', interval = 0.01) 会启动性能分析器。它每隔 10 毫秒将调用栈样本写入文件。运行较慢的代码后，调用 Rprof(NULL) 停止记录。

interval 参数控制以秒为单位的采样频率——值越小，分辨率越高，但输出文件也越大。

# Pattern — do not run Rprof inside knitr/Quarto
# Rprof('my_profile.prof', interval = 0.01)
#
# slow_function <- function(n) {
#   x <- numeric(n)
#   for (i in seq_len(n)) x[i] <- sqrt(i)
#   sum(x)
# }
# slow_function(500000)
#
# Rprof(NULL)  # stop profiling

使用 summaryRprof() 读取结果

summaryRprof('output.prof') 会解析性能分析文件，并返回一个包含两个数据框的列表：

by.self — 每个函数自身耗费的时间（不包括被调用的函数）
by.total — 包括该函数调用的所有函数在内的总时间

按 self.pct 排序即可找到热点。

# After Rprof() run:
# prof <- summaryRprof('my_profile.prof')
# head(prof$by.self)
#
# Example output columns:
#            self.time self.pct total.time total.pct
# slow_fn        1.22     61.0       1.98      99.0
# sqrt           0.76     38.0       0.76      38.0
# sum            0.02      1.0       0.02       1.0

自身时间与总时间

理解自身时间和总时间对于性能分析至关重要：

自身时间 — 函数运行自身代码行所耗费的时间（不包括等待被调用函数的时间）
总时间 — 自身时间加上被调用函数所耗费的全部时间

自身时间较低但总时间较高的函数，变慢的原因在于它调用的函数，而不是自身逻辑。应优化被调用函数，而不是调用者。

# Conceptual example:
# wrapper() -> process_data() -> slow_sort()
#
# total.pct: wrapper=100, process_data=90, slow_sort=85
# self.pct:  wrapper=5,   process_data=5,  slow_sort=85
#
# => slow_sort is the real bottleneck to fix.
cat('High total + low self => the culprit is a callee function
')

认识 profvis

profvis 对 Rprof() 进行了封装，并在 RStudio 或浏览器中提供交互式 HTML 火焰图。与原始的 summaryRprof() 输出相比，它的可读性要高得多。

使用 install.packages('profvis') 安装一次，然后用 profvis({...}) 包裹您的代码。

# library(profvis)
#
# profvis({
#   n <- 200000
#   x <- numeric(n)
#   for (i in seq_len(n)) x[i] <- log(i)
#   total <- sum(x)
#   sorted <- sort(x)
# })

读取 profvis 火焰图

profvis 输出包含两个面板：

火焰图 — 水平条的宽度表示时间；嵌套条表示调用栈深度
数据表 — 可排序地查看每个函数和源代码行的自身时间与总时间

火焰图底部较宽的条表示开销最大的调用者。较高的栈表示调用链较深。

# Reading the flame graph:
# - Each horizontal bar = one function on the call stack
# - Width proportional to time spent
# - Bottom = outermost caller, top = deepest callee
# - Click a bar to zoom in
# - 'Memory' tab shows allocation by line
cat('profvis shows self time per source line — invaluable for tight loops
')

识别热点

查看 profvis 输出后，可以通过寻找火焰图中较宽且自身时间较高的函数来识别热点。R 中常见的原因包括：

逐元素处理、未进行向量化的循环
在循环中反复使用 rbind() 或 c()，导致对象不断增大
在紧密循环中反复进行正则表达式或字符串解析

# Before fix — growing vector in loop (common hot spot)
# profvis reveals repeated reallocations:
# result <- c()
# for (i in 1:50000) result <- c(result, i^2)
#
# After fix — pre-allocated:
# result <- numeric(50000)
# for (i in 1:50000) result[i] <- i^2
cat('Pre-allocation eliminates the most common loop hot spot
')

分析内存分配

Rprof 还可以使用 memory.profiling = TRUE 跟踪内存分配。profvis 会在计时面板旁显示内存面板，帮助您发现分配大量临时对象的函数——这是造成垃圾回收暂停的主要原因之一。

# Memory profiling with Rprof:
# Rprof('mem.prof', interval = 0.01, memory.profiling = TRUE)
# ... slow code ...
# Rprof(NULL)
# prof <- summaryRprof('mem.prof', memory = 'both')
# head(prof$by.self)
#
# profvis also shows mem delta per line automatically
cat('Memory profiling pinpoints allocation hot spots causing GC pauses
')

分析实际数据流水线

对数据流水线进行系统化的性能分析：将整个流水线放入 profvis({}) 中，找出最慢的阶段，优化它，然后重新进行性能分析以确认改进效果。切勿盲目优化。

# Workflow:
# 1. profvis({ full_pipeline() })   => identify Stage 3 is 80% of time
# 2. Rewrite Stage 3 (vectorize / use data.table)
# 3. profvis({ full_pipeline() })   => confirm Stage 3 now < 10%
# 4. system.time({ full_pipeline() }) => confirm overall speedup
cat('Profile -> identify -> fix -> re-profile is the correct cycle
')

Rprof 采样的局限性

Rprof 使用统计采样，因此非常快的函数（耗时短于采样间隔）可能不会出现。对于微小表达式的微基准测试，请改用 microbenchmark 包。

此外，Rprof 不会分析 R 接口以下的 C/C++ 代码——只能看到 R 层的调用栈。

# Rprof interval = 0.01s => functions faster than 10ms may not appear
# For sub-millisecond work use microbenchmark:
#   microbenchmark(expr1, expr2, times = 1000L)
#
# For C-level profiling use external tools:
#   - Instruments (macOS)
#   - perf (Linux)
cat('Rprof is for R-level profiling; use microbenchmark for micro-timing
')

R 性能分析最佳实践

请遵循以下做法，以获得可靠的性能分析结果：

使用真实的数据规模进行分析——较小的输入会掩盖实际瓶颈
在分析前运行预热迭代，以排除一次性初始化开销
在干净的 R 会话中进行分析，避免已加载包的干扰
使用 profvis 进行探索；使用 summaryRprof 生成持续集成或自动化报告

# Clean session profiling checklist:
# 1. Restart R (Ctrl+Shift+F10 in RStudio)
# 2. Load only required packages
# 3. Run once to warm up
# 4. profvis({ ... })  on second run
# 5. Compare before/after with system.time()
cat('Always profile with realistic data in a clean R session
')

快速检查：Rprof 中的自身时间与总时间

某个函数在 summaryRprof() 输出中显示 total.pct = 95%，但 self.pct = 3%。这说明了什么？

性能分析工具回顾

R 为您提供了两层性能分析工具：

Rprof('file.prof', interval=0.01) + Rprof(NULL) + summaryRprof() — 内置、可编写脚本，并适合持续集成
profvis({...}) — 交互式火焰图，支持源代码行注释和内存跟踪

正确的工作流程始终是：先测量，找出最热的热点，只优化该热点，然后重新测量以确认收益。

常见问题解答

「使用 Rprof 和 profvis 分析代码性能」课时是免费的吗？

是的 — 「使用 Rprof 和 profvis 分析代码性能」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 R Academy 课程的其余内容，请升级到 CoddyKit PRO。 R Academy 课程共包含 4 节课。

「使用 Rprof 和 profvis 分析代码性能」这节课中我会学到什么？

找出脚本中耗时最多的函数你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 R Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 R Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 2 节课，共 4 节。

「使用 Rprof 和 profvis 分析代码性能」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 R Academy 课中编写并运行代码吗？

能。每节 R Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 R Academy