使用microbenchmark测试R欧氏距离函数时的速度困惑

我实现了两种计算两点欧氏距离的R逻辑，用microbenchmark测试时发现一个奇怪的现象：第一种逻辑的直接表达式速度较慢，但封装成函数后反而更快；第二种逻辑封装前后速度变化不大。

测试代码 #

xy1 = c(-1,-13)
xy2 = c(-17,-26)
distXY1 = function() return(sqrt((xy2[1] - xy1[1]) ^ 2 + (xy2[2] - xy1[2]) ^ 2))
distXY2 = function() return(sqrt(sum((xy2-xy1)^2)))
microbenchmark(
  sqrt((xy2[1]-xy1[1])^2 + (xy2[2]-xy1[2])^2),
  distXY1(),
  sqrt(sum((xy2-xy1)^2)),
  distXY2(),
  times=100000
)

测试结果 #

Unit: nanoseconds
                                            expr min  lq     mean median  uq     max neval
 sqrt((xy2[1] - xy1[1])^2 + (xy2[2] - xy1[2])^2) 287 369 447.2313    369 410 1176085 1e+05
                                       distXY1()  82 123 173.7059    164 164 1881490 1e+05
                        sqrt(sum((xy2 - xy1)^2)) 123 205 254.1065    205 205 1133363 1e+05
                                       distXY2() 123 205 257.6268    205 246 2316008 1e+05

原因分析 #

1. distXY1的速度差异
   直接执行的表达式sqrt((xy2[1]-xy1[1])^2 + (xy2[2]-xy1[2])^2)每次运行都要重新完成语法解析、逐个索引求值的步骤，这些重复的解析开销在高频调用时会被放大。而函数distXY1()在定义时就已经被R编译成了字节码，调用时直接执行预编译后的代码，省去了重复解析表达式的过程，所以速度反而更快。

2. distXY2的速度持平
   表达式sqrt(sum((xy2-xy1)^2))本身是简洁的向量运算，大部分开销集中在向量计算上，表达式解析的额外成本很低。封装成函数后，函数调用的基础开销（比如环境查找、调用栈处理）抵消了预编译带来的优化收益，所以最终速度和原表达式几乎没有差异。

如果想验证编译的作用，可以手动用compiler::cmpfun()编译对应的匿名函数，会发现直接表达式的编译版本速度和函数调用接近：

compiled_expr1 = compiler::cmpfun(function() sqrt((xy2[1]-xy1[1])^2 + (xy2[2]-xy1[2])^2))
microbenchmark(compiled_expr1(), distXY1(), times=100000)

内容的提问来源于stack exchange，提问作者anonR