从上图可以看出，对于All,Month或Season来说，这8个函数中，随着数据量的增加，ddply,join,str_replace和which处理单个数据所需时间急速下降，随着数据量的继续增加，ddply 在n=10000时有一个明显的拐点。对于for_if,for_if_else,for_ifelse和for_switch来说，随数据量的增加，处理每个数据所需时间变化相对较小，并且没...

从上图可以看出，for_ifelse和str_replace花费时间波动性较大。波动范转大约分别为（6,20）和（3,9）。其余6个函数相对校稳定。接下来分析0～5 微秒/1000中间的情况。如下图：

与上一节的图相比，明显变换就是处理每个数据所需的时间减少很多。ddply已减少到5微秒以内。反而str_replace的速度在Month, season和all中差异比较大。

以上用到了9个方法实现一个问题，在实现的过程中试验数据量为n=10。得到不同方法所用的平均耗时间大小。每种方法在计算平均耗时的重复次数为N =100。当然上述的每个方法测试的数据量尽管相同，但由于（1）数据内容不尽相同，（2）由于测试耗时的时候后台打开的程序多少不同（CPU和内存任务量不同），（3）每种方法所处理...

以上用到了9个方法实现一个问题，在实现的过程中试验数据量为n=10。得到不同方法所用的平均耗时间大小。每种方法在计算平均耗时的重复次数为N =100。当然上述的每个方法测试的数据量尽管相同，但由于（1）数据内容不尽相同，（2）由于测试耗时的时候后台打开的程序多少不同（CPU和内存任务量不同），（3）每种方法所处理...

从上图可以看出，tidyverse包中的这几个函数（ddply*,str_repalce_all, join）花费的时间都明显长，而R自带的基本函数花费时间较短。

方法9： 采用 ddply(.parallel=TURE) 语句 并行原理参见：[链接]://www.dataguru.cn/article-1320-1.html 1: 自定义函数 {代码...} 2: 调用函数进行运算 {代码...} {代码...} （未完！待续……）

方法8： 采用 ddply 语句 1: 自定义函数 {代码...} 2: 调用函数进行运算 {代码...} {代码...} (未完！待续……)

方法7： 采用 join 语句 1: 自定义函数 {代码...} 2: 调用函数进行运算 {代码...} {代码...} (未完！待续……)

方法6： 采用 str_replace_all 语句 1: 自定义函数 {代码...} 2: 调用函数进行运算 {代码...} {代码...} (未完！待续……)

方法5： 采用 which 语句 1: 自定义函数 {代码...} 2: 调用函数进行运算 {代码...} {代码...} (未完！待续……)

方法4： 采用 for + switch 语句 1: 自定义函数 {代码...} 2: 调用函数进行运算 {代码...} {代码...} (未完！待续……)

方法3： 采用 for + ifelse 语句 1: 自定义函数 {代码...} 2: 调用函数进行运算 {代码...} {代码...} (未完，待续……)

方法2： 采用 for + if + else 语句 1: 自定义函数 {代码...} 2: 调用函数进行运算 {代码...} {代码...} （未完！待续……）

在R语言中，统计一个程序体运行时间一般采用的函数为Sys.time()或者为proc.time()。不过，这两个函数只能根据时间差判断程序执行一次所用的时间，若要重复多次进行平均时间的统计，则显得无能为力。在此，我们采用microbenchmark函数包来进行统计程序运行时间。该函数使用很简单，只需要输入待测试代码，并且指定“times=...