Rprof( ) 函数提供了有用的信息帮助我们找到代码瓶颈，进而提升代码性能。
RStudio 也发布了一个增强版的分析工具 profvis( )，它还提供了用于分析 R 代码的交
互式可视化功能（https://rstudio.github.io/profvis/）。
它是一个 R 扩展包，已经集成到 RStudio 中。要安装这个包，请运行以下代码：
install.packages("profvis")
一旦安装成功，我们就可以用 profvis( ) 来分析代码，并将结果进行可视化：
library(profvis)
profvis({
my_cumsum1 <- function(x) {
y <- numeric( )
sum_x <- 0
for (xi in x) {
sum_x <- sum_x + xi
y <- c(y, sum_x)
}
y
}
x <- rnorm(1000)
for (i in 1:1000) {
my_ _cumsum1(x)
}
})
分析完成后，会出现一个带有交互式用户界面的新选项卡，如图 13-4 所示。
图 13-4
图 13-4 的上部显示了代码、内存使用情况和消耗时间，下部显示了函数调用，以及垃
圾收集发生的时间轴。我们可以单击并选择一行代码，查看函数执行的时间轴。
与 summaryRprof( ) 返回的结果相比，这种交互式可视化提供了更丰富的信息，使我们
能够更多地了解在这么长的时间里代码是如何运行的。这样，我们可以很容易地识别慢的
代码，以及可能引发问题的某些模式。
接下来，对 my_cumsum2( ) 做同样的分析：
profvis({
my_cumsum2 <- function(x) {
y <- numeric(length(x))
y[[1]] <- x[[1]]
for (i in 2:length(x)) {
y[[i]] <- y[[i-1]] + x[[i]]
}
y
}
x <- rnorm(1000)
for (i in 1:1000) {
my_ _cumsum2(x)
}
})
这次的分析结果如图 13-5 所示。
图 13-5
我们可以很容易地找到运行时间最长的部分，并衡量其是否可接受。在所有的代码中，
总会有一些代码占用了大部分时间，但这并不意味着它太慢。如果代码能够达到目标，性
能也是可接受的，那么就没有必要冒着将其修改成错误的风险去优化它的性能了。