R標準パッケージ（base）とstringrパッケージはどちらが速いのか？

前回、R標準パッケージ（base）とstringrパッケージの比較をしてみて、「処理速度は、場合によってはbase、場合によってはstringrの方が速い」ということがわかった。

で、具体的にどのときにbase、どのときにstringrが速いのか、調べてみた。

処理速度に関する違い

stringr の方が速い場合

• ベクトル化された処理が可能なため、stringrの方が速くなることがある。
• 一貫したC++コード (stringi) に基づいているため、文字列処理が効率的。
• **大規模なデータ（複数の行やリスト）**を処理する際、stringrは内部的にC++で並列処理を行うケースがあり、base Rよりも速くなる可能性がある。

base R の方が速い場合

• 単一の文字列操作（小さなデータ、1行のテキスト操作）ではbase Rが速い。
• 正規表現のパフォーマンスは、base RはCレベルで実装されているため、小規模のテキストでは速いことが多い。
• オーバーヘッドが少ない：stringrはstringiをバックエンドで呼び出すため、関数呼び出しのオーバーヘッドが生じる。

ベンチマークの比較

実際の速度の違いをテストしてみた。

• テスト1: 大規模なデータ（10万行の文字列）に対する置換処理
• テスト2: 小規模なデータ（1行の文字列）に対する置換処理

……実際のベンチマークを行い、どちらが速いか確認してみる。

大規模なデータ（10万行の文字列）に対する置換処理

小規模なデータ（1行の文字列）に対する置換処理

結果、大規模データはstringrの方が断然早く、小規模データはbaseの方が僅かに速い、とゆー結果に。

ただ、結論としては、「どちらも速い」と言えると思う。。。

速さの理由

一応、速さの理由を上げておく。

なぜ大規模データでstringrが速くなるのか？

1. 並列処理の最適化
   • stringrは内部的にstringiライブラリ（C++で書かれたライブラリ）を使っており、並列処理の最適化が行われる場合がある。
   • 特に、大きなベクトルデータ（100,000行のデータ）を一度に処理すると、C++の並列化が有効になるため、baseよりも速くなる可能性がある。
2. ベクトル処理の違い
   • base Rの関数は1つ1つの要素に対して繰り返し処理を行うイメージだが、stringrはベクトル全体に対してバルク処理（まとめて処理）を行うため、データが大きい場合はstringrの方が有利になることがある。

なぜ小規模データでbaseの方が速いのか？

1. オーバーヘッドの違い
   • base Rのgsub()は関数呼び出しのオーバーヘッドが少ないため、小さな処理はbaseの方が速い。
   • 一方、stringrは内部的にstringiの関数を呼び出すため、呼び出しのオーバーヘッドが少しだけ大きいことが原因。
2. 関数のシンプルさ
   • 小さな文字列ではbase Rのgsub()は非常に軽量で、メモリの消費量も少ないため、わずかに速い。

結論をまとめると、こんな感じ▼