• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Herramientas
    • Método D’Hondt – Atribución de escaños
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • Excel
  • IA Generativa

Caché de funciones en R

mayo 9, 2018 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Reloj de arena

En algunas ocasiones puede ser que en la implementación de un algoritmo se llame continuamente a la misma función utilizando los mismos parámetros. Algo que se puede de forma habitual en problemas recesivos. En caso de que la función se ejecute rápidamente no será un problema mayor, pero en las ocasiones que no es así aparecen problemas de rendimiento. Para solucionar estos problemas se pueden almacenar los resultados en una tabla y, antes de ejecutar la función, comprobar si la tarea se ha realizado previamente. En R esto se puede realizar automáticamente con el paquete memoise. En el que se encuentra la función memoise con la que se puede generar copias que cachea cualquier función.

Función de ejemplo

Supongamos que tenemos una función que tarda un segundo en obtener un resultado:

slow <- function(x) {
  Sys.sleep(1)
  x + 1
}

En caso se que se ejecute esta función 10 veces el tiempo en finalizar será próximo a unos 10 segundos. Esto se puede comprobar simplemente utilizando el siguiente código:

system.time(for (i in 1:10) print(slow(i)))

Ahora, utilizando el paquete memoise se puede crear una versión cachead de la función:

library(memoise)

slow.cache <- memoise(slow)

Igual que antes el tiempo de ejecución de la función será de unos 10, pero la segunda vez que se ejecute el código será prácticamente instantáneo. Esto se puede comprobar ejecutando dos veces la siguiente línea.

Análisis de Redes con Python
En Analytics Lane
Análisis de Redes con Python

system.time(for (i in 1:10) print(slow.cache(i)))

En el caso de que sea necesario borrar los resultados ya almacenados de una función cachada simplemente se ha de utilizar la función forget del mismo paquete:

forget(slow.cache)

Este paquete permite mejorar el rendimiento de algunos de nuestros algoritmos de una forma fácil sin la necesidad de modificar mucho código.

Publicidad


Ejemplo en un problema real

El ejemplo anterior muestra la potencia de la función memoise, pero no es habitual encontrase con problemas como este. Las situaciones en la que este paquete se hace realmente útil es en los problemas recursivos como puede ser la obtención de Sucesión de Fibonacci. Los números de Fibonacci quedan definidos por la ecuación:

f(n) <- f(n-1) + f(n-2)

partiendo de dos primeros valores predeterminados:

f(1) = 1
f(2) = 2

La implementación de esta función en R se puede realizar con

fibonacci <- function(n) {
  if (n < 2) {
     return(n)
  } else {
    return(fibonacci (n-1) + fibonacci (n-2))
  }
}

Se puede comprobar el tiempo que tarda en obtener los primeros 40 número de la serie:

system.time(f_original <- fibonacci_cache(40))

En mi ordenador ha tardado unos 120,237 segundos. Ahora se puede comprobar el tiempo el tiempo que tardaría en la función cacheada:

fibonacci <- memoise(fibonacci)
system.time(f_cache_1 <- fibonacci (40))

La salida de la función memoise se ha asignado a la variable con el mismo nombre que la original. En caso de que esto no se haga así no se obtendrá una mejora de los resultados debido a que internamente se llamará a una función no cachada.

En esta ocasión R solamente ha tardado unos 0,019 segundos. Los que supone solamente un del 0,016% del tiempo original.

En caso de que se repita el ejercicio, en este caso el tiempo ser cero.

system.time(f_cache_2 <- fibonacci (40))

Obviamente los resultados en las tres ocasiones son el mismo: 102334155.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • ¡Nuevo video! 5 formas prácticas de obtener valores únicos en Pandas
  • 1100 publicaciones en Analytics Lane
  • ¡Nuevo video! Encuentra la posición en listas como un PRO
  • ¡Nuevo video! Iterar filas en Pandas sin romperte la cabeza
  • ¡Nuevo video! Gráficos de barras en Matplotlib sin complicarte

Publicado en: R

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

¡Nuevo video! Gráficos de barras en Matplotlib sin complicarte

julio 17, 2025 Por Daniel Rodríguez

¡Nuevo video! Iterar filas en Pandas sin romperte la cabeza

julio 15, 2025 Por Daniel Rodríguez

¡Nuevo video! Encuentra la posición en listas como un PRO

julio 10, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Obtención de valores únicos de una columna con Pandas publicado el mayo 8, 2019 | en Python
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | en Python
  • Solución al error Failed to download metadata for repo ‘AppStream’ en CentOS 8 publicado el septiembre 13, 2023 | en Herramientas
  • Combinar varios archivos Jupyter Notebook en uno publicado el noviembre 21, 2022 | en Python
  • Sistema de ecuaciones Sistemas de ecuaciones lineales con numpy publicado el octubre 29, 2018 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes
  • Javier en Tutorial de Mypy para Principiantes
  • javier en Problemas con listas mutables en Python: Cómo evitar efectos inesperados
  • soldado en Numpy básico: encontrar la posición de un elemento en un Array de Numpy

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto