R byrowしないならmatrixよりdim<-の方が速そう

Abstract

シミュレーションとかで何万回～も回す人向け。Rで行列を作るときに、要素をbyrowで入れないなら`dim<-`()使う方が速い。

Pacakges

pacman::p_load(
  tidyverse,
  microbenchmark,
  bench
)

Background

Rで行列を作るとき、matrix()でも`dim<-`()でも作れるのですが、どっちが速いのかなーと比べたくなりました。シミュレーションで1条件当たり何万回～も回すときは少しでも速い方がいいのです。

前にちょこっとやったものの条件をもっと増やしてみました。

Rの備忘録
2x2と3x3しかやってないけど、byrowで入れないならmatrixよりもdim<-の方が速そう pic.twitter.com/17emiEOTyQ
— Takuto SAKAI (@tsakai_psych) March 22, 2026

`matrix()`

ベクトルを行列にできます。引数nrowで行数を指定するか、引数ncolで列数を指定します。

matrix(1:4, nrow = 2)

     [,1] [,2]
[1,]    1    3
[2,]    2    4

行数や列数を指定しない場合、n行1列の行列ができます。

matrix(1:4)

     [,1]
[1,]    1
[2,]    2
[3,]    3
[4,]    4

基本的には列方向にベクトルを入れていくようですが、引数byrowをTRUEにすると行方向にベクトルを入れられます。

matrix(1:4, nrow = 2, byrow = TRUE)

     [,1] [,2]
[1,]    1    2
[2,]    3    4

引数dimnamesにlist(行名のベクトル, 列名のベクトル)を入れることで、行名と列名を設定できます。いらないところはNULLを入れると設定されません。

matrix(
  1:4,
  nrow = 2,
  dimnames = list(c("r1", "r2"), c("c1", "c2"))
)

   c1 c2
r1  1  3
r2  2  4

matrix(
  1:4,
  nrow = 2,
  dimnames = list(NULL, c("c1", "c2"))
)

     c1 c2
[1,]  1  3
[2,]  2  4

`dim<-`()

オブジェクトに次元を付与したりなくしたりできます。ふつうはdim(obj) <- valueで使うと思いますが、`dim<-`(obj, value)¹も使えます。後者の記法はパイプラインと相性がいいです。引数valueには整数ベクトルを入れます。行列なら長さ2のベクトルを入れればいいです。

`dim<-`(1:4, c(2, 2))

     [,1] [,2]
[1,]    1    3
[2,]    2    4

オブジェクトの長さと次元数がマッチしない場合はエラーを吐きます。

`dim<-`(1:4, c(2, 4))

Error:
! dims [product 8] do not match the length of object [4]

あと、matrix(..., byrow = TRUE)みたいなことはできないっぽいです、多分。

Benchmark

いつも使っているmicrobenchmark::microbenchmark()と、最近なんとなく使い方がわかってきたbench::mark()でベンチマークを回してみます。実際の場面ではintかnumericを扱う場合が多いと思うので、入力はrunif()で作ることにします。

`microbenchmark`

行数と列数に複数の水準を作りたいので、条件のdfを作って回したいと思います。条件は行列それぞれ1から10までです。1×1は除きます。

df_condition <-
  tidyr::expand_grid(
    nr = 1:10,
    nc = 1:10
  ) |>
  dplyr::filter_out(nr == 1 & nc == 1)

print(df_condition, n = 99)

# A tibble: 99 × 2
      nr    nc
   <int> <int>
 1     1     2
 2     1     3
 3     1     4
 4     1     5
 5     1     6
 6     1     7
 7     1     8
 8     1     9
 9     1    10
10     2     1
11     2     2
12     2     3
13     2     4
14     2     5
15     2     6
16     2     7
17     2     8
18     2     9
19     2    10
20     3     1
21     3     2
22     3     3
23     3     4
24     3     5
25     3     6
26     3     7
27     3     8
28     3     9
29     3    10
30     4     1
31     4     2
32     4     3
33     4     4
34     4     5
35     4     6
36     4     7
37     4     8
38     4     9
39     4    10
40     5     1
41     5     2
42     5     3
43     5     4
44     5     5
45     5     6
46     5     7
47     5     8
48     5     9
49     5    10
50     6     1
51     6     2
52     6     3
53     6     4
54     6     5
55     6     6
56     6     7
57     6     8
58     6     9
59     6    10
60     7     1
61     7     2
62     7     3
63     7     4
64     7     5
65     7     6
66     7     7
67     7     8
68     7     9
69     7    10
70     8     1
71     8     2
72     8     3
73     8     4
74     8     5
75     8     6
76     8     7
77     8     8
78     8     9
79     8    10
80     9     1
81     9     2
82     9     3
83     9     4
84     9     5
85     9     6
86     9     7
87     9     8
88     9     9
89     9    10
90    10     1
91    10     2
92    10     3
93    10     4
94    10     5
95    10     6
96    10     7
97    10     8
98    10     9
99    10    10

ベンチマークを回します。

res_mb <-
  df_condition |>
  dplyr::mutate(
    res = purrr::pmap(
      .l = list(
        x = nr,
        y = nc
      ),
      .f = \(x, y) {
        elements <- runif(x * y)
        microbenchmark::microbenchmark(
          "matrix" = matrix(elements, nrow = x),
          "dim" = `dim<-`(elements, c(x, y)),
          check = "equal"
        )
      },
      .progress = list(
        clear = FALSE,
        show_after = 0,
        format = "{cli::pb_bar} ({cli::pb_percent} in {cli::pb_elapsed})|{cli::pb_eta_str}"
      )
    ) |>
1      setNames(paste0("r", nr, "c", nc))
  )

1: purrr::pmapの戻り値を名前付きにしておくと、後でggplot2::autoplot()するときとかに便利。

■                                (  0% in 1ms)|

■■■                              (  8% in 816ms)|ETA:  9s

■■■■■■■■■■■■■                    ( 39% in 3.8s)|ETA:  6s

■■■■■■■■■■■■■■■■■■■■■■           ( 71% in 6.8s)|ETA:  3s

■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■  (100% in 9.6s)|ETA:  0s

結果は以下の通りです。

res_mb |>
1  reframe(
    temp = purrr::map(
      .x = res,
      .f = \(x) microbenchmark:::summary.microbenchmark(x)
    ),
    .by = c(nr, nc)
  ) |>
  unnest(temp) |>
  print(n = 999)

1: そのままres_mb$resとかdplyr::pull()とかで引っ張ってくると出力が縦に長すぎちゃうので、microbenchmark:::summary.microbenchmark()がdata.frameを返してくるのを利用してdplyr::reframe()して多少短くします。（条件が多くて時間がかかるのであんまり意味はなさそうですが…。）

# A tibble: 198 × 11
       nr    nc expr     min    lq  mean median    uq   max neval cld  
    <int> <int> <fct>  <dbl> <dbl> <dbl>  <dbl> <dbl> <dbl> <dbl> <chr>
  1     1     2 matrix   700   800   925    800   900  6100   100 "a " 
  2     1     2 dim      200   300   302    300   300  2100   100 " b" 
  3     1     3 matrix   800   800   910    800   900  4300   100 "a " 
  4     1     3 dim      200   300   324    300   300  2700   100 " b" 
  5     1     4 matrix   700   800   981    850   900  6700   100 "a " 
  6     1     4 dim      200   300   345    300   300  3000   100 " b" 
  7     1     5 matrix   800   800   933    800   900  7000   100 "a " 
  8     1     5 dim      200   300   328    300   300  2700   100 " b" 
  9     1     6 matrix   800   900  1109   1000  1100  5900   100 "a " 
 10     1     6 dim      200   300   443    400   400  3600   100 " b" 
 11     1     7 matrix   700   800   941    900   900  6800   100 "a " 
 12     1     7 dim      200   300   319    300   300  2300   100 " b" 
 13     1     8 matrix   800   800   900    800   900  4300   100 "a " 
 14     1     8 dim      200   300   304    300   300  1900   100 " b" 
 15     1     9 matrix   700   800   908    800   900  3700   100 "a " 
 16     1     9 dim      200   300   319    300   300  2200   100 " b" 
 17     1    10 matrix   700   800   936    800   900  8000   100 "a " 
 18     1    10 dim      200   300   356    300   300  5200   100 " b" 
 19     2     1 matrix   800   800   909    900   900  4300   100 "a " 
 20     2     1 dim      200   300   304    300   300  1600   100 " b" 
 21     2     2 matrix   800   800   925    900   900  3900   100 "a " 
 22     2     2 dim      200   300   325    300   300  2100   100 " b" 
 23     2     3 matrix   700   800   901    800   900  4700   100 "a " 
 24     2     3 dim      200   300   331    300   300  3500   100 " b" 
 25     2     4 matrix   800  1000  1167   1000  1100  7100   100 "a " 
 26     2     4 dim      200   300   399    400   400  2800   100 " b" 
 27     2     5 matrix   700   800   879    800   900  2900   100 "a " 
 28     2     5 dim      200   300   317    300   300  2500   100 " b" 
 29     2     6 matrix   800  1000  1128   1000  1100  6100   100 "a " 
 30     2     6 dim      200   300   427    400   400  3700   100 " b" 
 31     2     7 matrix   800   800   895    800   900  4400   100 "a " 
 32     2     7 dim      200   300   344    300   300  3600   100 " b" 
 33     2     8 matrix   700   800   908    800   900  4800   100 "a " 
 34     2     8 dim      200   300   330    300   300  3700   100 " b" 
 35     2     9 matrix   800   900  1241    900  1000 17900   100 "a " 
 36     2     9 dim      200   300   476    400   400  3000   100 " b" 
 37     2    10 matrix   800   900  1207   1000  1000 12100   100 "a " 
 38     2    10 dim      300   300   456    400   400  5300   100 " b" 
 39     3     1 matrix   700   800   912    800   900  5300   100 "a " 
 40     3     1 dim      200   300   336    300   300  3800   100 " b" 
 41     3     2 matrix   700   800   897    800   900  4300   100 "a " 
 42     3     2 dim      200   300   325    300   300  3200   100 " b" 
 43     3     3 matrix   700   800   925    800   900  6400   100 "a " 
 44     3     3 dim      200   300   341    300   300  2400   100 " b" 
 45     3     4 matrix   800   800   953    800   900  8800   100 "a " 
 46     3     4 dim      200   300   318    300   300  2600   100 " b" 
 47     3     5 matrix   700   800   908    800   900  5100   100 "a " 
 48     3     5 dim      200   300   336    300   300  3600   100 " b" 
 49     3     6 matrix   800   900  1194    900  1000 12400   100 "a " 
 50     3     6 dim      300   300   612    400   400  8300   100 " b" 
 51     3     7 matrix   800   900  1103   1000  1100  8100   100 "a " 
 52     3     7 dim      300   400   590    400   400 13600   100 " b" 
 53     3     8 matrix   800   900  1277   1000  1100 21900   100 "a " 
 54     3     8 dim      300   400   629    400   500 12600   100 " b" 
 55     3     9 matrix   800   900  1110   1000  1100  4900   100 "a " 
 56     3     9 dim      300   300   441    400   400  3300   100 " b" 
 57     3    10 matrix   800   900  1164   1000  1100 11700   100 "a " 
 58     3    10 dim      300   300   494    400   400  3400   100 " b" 
 59     4     1 matrix   800   800   925    900   900  4200   100 "a " 
 60     4     1 dim      200   300   338    300   300  3200   100 " b" 
 61     4     2 matrix   800   800   945    900   900  6500   100 "a " 
 62     4     2 dim      200   300   309    300   300  1700   100 " b" 
 63     4     3 matrix   800   800   919    800   900  5800   100 "a " 
 64     4     3 dim      200   300   313    300   300  2200   100 " b" 
 65     4     4 matrix   700   800   921    800   900  6000   100 "a " 
 66     4     4 dim      200   300   347    300   300  4800   100 " b" 
 67     4     5 matrix   800   900  1085   1000  1000 10000   100 "a " 
 68     4     5 dim      200   300   585    400   400 10900   100 " b" 
 69     4     6 matrix   900  1100  1405   1200  1300  9900   100 "a " 
 70     4     6 dim      300   400   543    500   500  3900   100 " b" 
 71     4     7 matrix   800   900  1057    900  1000  6500   100 "a " 
 72     4     7 dim      300   300   433    400   400  3900   100 " b" 
 73     4     8 matrix   800   900  1020    950  1000  5200   100 "a " 
 74     4     8 dim      200   400   458    400   400  4900   100 " b" 
 75     4     9 matrix   800   900  1152   1000  1100 14600   100 "a " 
 76     4     9 dim      300   400   435    400   400  3400   100 " b" 
 77     4    10 matrix   800   900  1193   1000  1100  8000   100 "a " 
 78     4    10 dim      300   300   593    400   400  8000   100 " b" 
 79     5     1 matrix   700   800   939    800   900  7400   100 "a " 
 80     5     1 dim      200   300   335    300   300  3200   100 " b" 
 81     5     2 matrix   800   800   914    800   900  5000   100 "a " 
 82     5     2 dim      200   300   331    300   300  3600   100 " b" 
 83     5     3 matrix   800   800   934    900   900  5400   100 "a " 
 84     5     3 dim      200   300   322    300   300  1700   100 " b" 
 85     5     4 matrix   800   900  1187    900  1000 15300   100 "a " 
 86     5     4 dim      300   350   514    400   400  3100   100 " b" 
 87     5     5 matrix   800   900  1056   1000  1050  6000   100 "a"  
 88     5     5 dim      300   400   683    400   400 20400   100 "a"  
 89     5     6 matrix   800   900  1088    900  1000  4800   100 "a " 
 90     5     6 dim      200   300   613    400   400  7400   100 " b" 
 91     5     7 matrix   900  1100  1255   1200  1200  5600   100 "a " 
 92     5     7 dim      300   400   543    500   500  4400   100 " b" 
 93     5     8 matrix   800   900  1355   1000  1250 13700   100 "a " 
 94     5     8 dim      200   300   623    400   450 13000   100 " b" 
 95     5     9 matrix   800   900  1213   1000  1100 14800   100 "a " 
 96     5     9 dim      200   300   526    400   400  3300   100 " b" 
 97     5    10 matrix   800   900  1138   1000  1000  4700   100 "a " 
 98     5    10 dim      200   300   649    400   400 14800   100 " b" 
 99     6     1 matrix   800   800   906    800   900  3700   100 "a " 
100     6     1 dim      200   300   345    300   300  3200   100 " b" 
101     6     2 matrix   700   800   964    850   900  6600   100 "a " 
102     6     2 dim      200   300   323    300   300  2700   100 " b" 
103     6     3 matrix   800   900  1208   1000  1100 12800   100 "a " 
104     6     3 dim      200   300   442    400   400  2200   100 " b" 
105     6     4 matrix   800   900  1083    900  1000  6100   100 "a " 
106     6     4 dim      300   300   534    400   400 11100   100 " b" 
107     6     5 matrix   800   900  1204    900  1000  8900   100 "a " 
108     6     5 dim      200   300   535    400   400  4000   100 " b" 
109     6     6 matrix   800   900  1057    900  1000  8100   100 "a " 
110     6     6 dim      300   300   413    400   400  2700   100 " b" 
111     6     7 matrix   800   900  1177   1000  1100  8100   100 "a " 
112     6     7 dim      200   400   655    400   400 13600   100 " b" 
113     6     8 matrix  1000  1100  1550   1200  1300  8100   100 "a " 
114     6     8 dim      300   400   900    500   550 16800   100 " b" 
115     6     9 matrix   800   900  1252   1000  1100  5100   100 "a " 
116     6     9 dim      200   300   724    400   450 11200   100 " b" 
117     6    10 matrix   800   900  1253   1000  1100  9700   100 "a " 
118     6    10 dim      200   300   467    400   400  2900   100 " b" 
119     7     1 matrix   700   800   913    800   900  4400   100 "a " 
120     7     1 dim      200   250   327    300   300  3100   100 " b" 
121     7     2 matrix   700   800   912    800   900  5200   100 "a " 
122     7     2 dim      200   300   328    300   300  3600   100 " b" 
123     7     3 matrix   800   900  1055   1000  1050  5800   100 "a " 
124     7     3 dim      200   300   542    400   400  7900   100 " b" 
125     7     4 matrix   800   900  1096    900  1000  4600   100 "a " 
126     7     4 dim      200   300   644    400   400 14500   100 " b" 
127     7     5 matrix   800   900  1032   1000  1000  5100   100 "a " 
128     7     5 dim      200   300   414    400   400  3900   100 " b" 
129     7     6 matrix   800  1100  1749   1300  1900 13400   100 "a " 
130     7     6 dim      300   400   671    500   600  4400   100 " b" 
131     7     7 matrix   800   900  1114   1000  1000  7900   100 "a " 
132     7     7 dim      200   300   643    400   400  7900   100 " b" 
133     7     8 matrix  1100  1200  1493   1200  1350  8100   100 "a " 
134     7     8 dim      300   400   862    500   500 18600   100 " b" 
135     7     9 matrix   800   900  1233   1000  1100  9800   100 "a " 
136     7     9 dim      200   400   595    400   400  7700   100 " b" 
137     7    10 matrix   800   900  1065   1000  1000  5200   100 "a " 
138     7    10 dim      300   300   720    400   400 15500   100 " b" 
139     8     1 matrix   700   800  1174    900  1500  7100   100 "a " 
140     8     1 dim      200   300   404    300   500  2300   100 " b" 
141     8     2 matrix   700   800   942    800   900  7100   100 "a " 
142     8     2 dim      200   300   320    300   300  2200   100 " b" 
143     8     3 matrix   800   900  1028    900  1000  5700   100 "a " 
144     8     3 dim      200   300   527    400   400  9400   100 " b" 
145     8     4 matrix   800   900  1077    900  1000  5000   100 "a " 
146     8     4 dim      200   300   489    400   400  5300   100 " b" 
147     8     5 matrix   800   900  1151   1000  1100  5400   100 "a " 
148     8     5 dim      300   300   548    400   400  7200   100 " b" 
149     8     6 matrix   800   900  1269   1000  1100  6100   100 "a " 
150     8     6 dim      300   300   641    400   400 10800   100 " b" 
151     8     7 matrix   800   900  1101   1000  1100  5100   100 "a " 
152     8     7 dim      300   300   692    400   400 13400   100 " b" 
153     8     8 matrix   800   900  1230   1000  1100  8500   100 "a " 
154     8     8 dim      200   300   777    400   400 11000   100 " b" 
155     8     9 matrix   800   950  1440   1000  1100 18900   100 "a " 
156     8     9 dim      200   300   748    400   400 10200   100 " b" 
157     8    10 matrix   800   900  2015   1000  1100 31300   100 "a " 
158     8    10 dim      300   300   851    400   500 10700   100 " b" 
159     9     1 matrix   700   800   898    800   900  4800   100 "a " 
160     9     1 dim      200   250   332    300   300  4000   100 " b" 
161     9     2 matrix   800   900  1046    900  1050  5200   100 "a"  
162     9     2 dim      200   300   699    400   400 21300   100 "a"  
163     9     3 matrix   800   900  1249   1000  1100 10200   100 "a " 
164     9     3 dim      200   300   537    400   400  5500   100 " b" 
165     9     4 matrix   800   900  1075   1000  1000  8600   100 "a " 
166     9     4 dim      200   300   392    400   400  2500   100 " b" 
167     9     5 matrix   800   900  1126   1000  1100  4700   100 "a " 
168     9     5 dim      200   300   621    400   400 12600   100 " b" 
169     9     6 matrix   800   900  1508   1000  1150 21300   100 "a " 
170     9     6 dim      300   300   494    400   400  5100   100 " b" 
171     9     7 matrix   800  1000  1377   1000  1100 10000   100 "a " 
172     9     7 dim      300   300   566    400   450  5100   100 " b" 
173     9     8 matrix   800   900  1353   1000  1100  8300   100 "a " 
174     9     8 dim      200   300   573    400   400 12600   100 " b" 
175     9     9 matrix   800  1000  1593   1100  1300 22500   100 "a " 
176     9     9 dim      300   400   689    400   500  6700   100 " b" 
177     9    10 matrix   800   900  1408   1000  1150 18900   100 "a " 
178     9    10 dim      200   300   672    400   500  7000   100 " b" 
179    10     1 matrix   700   800   907    800   900  5100   100 "a " 
180    10     1 dim      200   300   327    300   300  3700   100 " b" 
181    10     2 matrix   800   900  1212   1000  1200  6900   100 "a " 
182    10     2 dim      200   300   583    400   500  7300   100 " b" 
183    10     3 matrix   800   900  1044    900  1000  6900   100 "a " 
184    10     3 dim      200   300   646    400   400  7900   100 " b" 
185    10     4 matrix   800   900  1305   1000  1350  9700   100 "a"  
186    10     4 dim      200   300   862    400   550 19400   100 "a"  
187    10     5 matrix   800   900  1242    900  1000 14700   100 "a " 
188    10     5 dim      200   300   512    400   400  3900   100 " b" 
189    10     6 matrix   800   900  1157   1000  1000  7900   100 "a " 
190    10     6 dim      200   300   559    400   400  9600   100 " b" 
191    10     7 matrix   800   900  1206   1000  1100  9400   100 "a " 
192    10     7 dim      200   300   597    400   450  5100   100 " b" 
193    10     8 matrix   800   900  1363   1000  1100  8000   100 "a " 
194    10     8 dim      200   300   682    400   500  7900   100 " b" 
195    10     9 matrix   800   950  1599   1000  1200 22200   100 "a " 
196    10     9 dim      200   400   553    400   500  2600   100 " b" 
197    10    10 matrix   800  1000  1692   1200  1300 23000   100 "a " 
198    10    10 dim      200   400   745    500   600  5900   100 " b"

どの条件でもmatrix()に比べて`dim<-`()の方が2～3倍くらい速いですが、結果の単位はナノ秒なので、1回実行するときには体感できる差はないですね。何万回以上も回すとなると地味に変わってくると思います。

結果のグラフ化も可能です。列数ごとに分割してggplot2::autoplotを使います。microbenchmark::microbenchmark()の戻り値に対してはmicrobenchmark:::autoplot.microbenchmark()が適用されます。

res_mb |>
  dplyr::group_by(nr) |>
  dplyr::group_walk(
    .f = \(x, idx) {
      x |>
        dplyr::pull(res) |>
        purrr::imap(
          .f = \(y, idx) {
1            ggplot2::autoplot(y) +
              ggplot2::labs(title = idx) 
          }
        ) |>
        patchwork::wrap_plots(
          ncol = 5,
          byrow = TRUE,
          axes = "collect_y",
          axis_titles = "collect"
        ) |>
2        print()
    }
  )

1: autoplot.microbenchmark()内部の関数がggplot2側でdeprecatedになったものがあるらしく、警告が出ます。
2: dplyr::group_map()にすると、戻り値でインデックスがレンダリングされるので、dplyr::group_walk()にしてplotだけ無理やり表示させました。

どの条件でも`dim<-`()の方が速いように見受けられます。

`bench`

最近使い方をなんとなく覚えてきました。bench::mark()はベンチマーク時間を設定できたり、メモリアロケーションも出してくれたりするところがいいです。あと、デフォルトで出力が一致しているかどうかチェックしてくれます。bench::mark()を複数条件で実行したいときはbench::press()を併用します。bench::press()では、パラメーター（条件）を名前付きで指定して、名前なしのexprとして{}の中でbench::mark()を実行するという感じです。普通にやるならこんな感じになると思います。

bench::press(
1  nr = 2:5,
  nc = 2:5,
2  {
    elements <- runif(nr * nc)
    bench::mark(
      "matrix" = matrix(elements, nrow = nr),
      "dim" = `dim<-`(elements, c(nr, nc))
    )
  }
)

1: 条件を列挙する。tidyr::expand_grid()っぽく展開される（けど、中で使っているのはexpand.grid()だった）。
2: {}の中では単発のbench::mark()っぽく記述すればいいです。

今回は条件のdfをすでに作ってあるので、それを引数.gridに渡せばいいです。

res_bm <- bench::press(
  .grid = df_condition,
  {
    elements <- runif(nr * nc)
    bench::mark(
      "matrix" = matrix(elements, nrow = nr),
      "dim" = `dim<-`(elements, c(nr, nc))
    )
  }
)

結果は以下の通りです。まとめるのが面倒なのでそのまま出します。

print(res_bm, n = 999)

# A tibble: 198 × 15
    expression    nr    nc      min   median `itr/sec` mem_alloc `gc/sec` n_itr  n_gc total_time
    <bch:expr> <int> <int> <bch:tm> <bch:tm>     <dbl> <bch:byt>    <dbl> <int> <dbl>   <bch:tm>
  1 matrix         1     2    900ns    1.1µs   855644.        0B      0   10000     0    11.69ms
  2 dim            1     2    300ns    400ns  2223111.        0B      0   10000     0      4.5ms
  3 matrix         1     3    900ns    1.1µs   745799.        0B     74.6  9999     1    13.41ms
  4 dim            1     3    300ns    400ns  1786959.        0B      0   10000     0      5.6ms
  5 matrix         1     4    900ns    1.1µs   831400.        0B      0   10000     0    12.03ms
  6 dim            1     4    300ns    400ns  2066927.        0B      0   10000     0     4.84ms
  7 matrix         1     5    900ns    1.1µs   873965.        0B      0   10000     0    11.44ms
  8 dim            1     5    300ns    400ns  2202207.        0B      0   10000     0     4.54ms
  9 matrix         1     6    900ns    1.1µs   738299.        0B     73.8  9999     1    13.54ms
 10 dim            1     6    300ns    500ns  1972815.        0B      0   10000     0     5.07ms
 11 matrix         1     7    900ns    1.1µs   805932.        0B      0   10000     0    12.41ms
 12 dim            1     7    300ns    400ns  2184742.        0B      0   10000     0     4.58ms
 13 matrix         1     8    900ns    1.1µs   868123.        0B      0   10000     0    11.52ms
 14 dim            1     8    300ns    400ns  1892148.        0B      0   10000     0     5.29ms
 15 matrix         1     9    900ns    1.1µs   761480.        0B     76.2  9999     1    13.13ms
 16 dim            1     9    300ns    400ns  2076498.        0B      0   10000     0     4.82ms
 17 matrix         1    10    900ns    1.1µs   867453.        0B      0   10000     0    11.53ms
 18 dim            1    10    300ns    400ns  2061728.        0B      0   10000     0     4.85ms
 19 matrix         2     1    900ns    1.2µs   705990.        0B      0   10000     0    14.16ms
 20 dim            2     1    300ns    400ns  2163987.        0B      0   10000     0     4.62ms
 21 matrix         2     2    900ns    1.6µs   549574.        0B      0   10000     0     18.2ms
 22 dim            2     2    300ns    400ns  1888396.        0B      0   10000     0      5.3ms
 23 matrix         2     3    800ns    1.1µs   833583.        0B      0   10000     0       12ms
 24 dim            2     3    300ns    500ns  1979022.        0B      0   10000     0     5.05ms
 25 matrix         2     4    900ns    1.1µs   829841.        0B      0   10000     0    12.05ms
 26 dim            2     4    300ns    500ns  2078311.        0B      0   10000     0     4.81ms
 27 matrix         2     5    900ns    1.2µs   817341.        0B      0   10000     0    12.23ms
 28 dim            2     5    300ns    400ns  2114299.        0B      0   10000     0     4.73ms
 29 matrix         2     6    900ns    1.7µs   485424.        0B     48.5  9999     1     20.6ms
 30 dim            2     6    300ns    400ns  2104510.        0B      0   10000     0     4.75ms
 31 matrix         2     7    900ns    1.2µs   797715.        0B      0   10000     0    12.54ms
 32 dim            2     7    300ns    500ns  1918134.        0B      0   10000     0     5.21ms
 33 matrix         2     8    900ns    1.1µs   836030.        0B      0   10000     0    11.96ms
 34 dim            2     8    300ns    400ns  2153409.        0B      0   10000     0     4.64ms
 35 matrix         2     9    900ns    1.2µs   794729.      192B      0   10000     0    12.58ms
 36 dim            2     9    300ns    500ns  1753955.      192B      0   10000     0      5.7ms
 37 matrix         2    10    900ns    1.6µs   553970.      208B     55.4  9999     1    18.05ms
 38 dim            2    10    300ns    500ns  1750700.      208B      0   10000     0     5.71ms
 39 matrix         3     1    900ns    1.1µs   875726.        0B      0   10000     0    11.42ms
 40 dim            3     1    300ns    400ns  2240796.        0B      0   10000     0     4.46ms
 41 matrix         3     2    900ns    1.1µs   799380.        0B      0   10000     0    12.51ms
 42 dim            3     2    300ns    400ns  2139175.        0B      0   10000     0     4.67ms
 43 matrix         3     3    900ns    1.1µs   873767.        0B      0   10000     0    11.45ms
 44 dim            3     3    300ns    400ns  2173015.        0B      0   10000     0      4.6ms
 45 matrix         3     4    900ns    1.3µs   671092.        0B     67.1  9999     1     14.9ms
 46 dim            3     4    300ns    700ns  1502426.        0B      0   10000     0     6.66ms
 47 matrix         3     5    900ns    1.1µs   870095.        0B      0   10000     0    11.49ms
 48 dim            3     5    300ns    500ns  2092050.        0B      0   10000     0     4.78ms
 49 matrix         3     6    900ns    1.1µs   832723.      192B      0   10000     0    12.01ms
 50 dim            3     6    300ns    500ns  2002323.      192B      0   10000     0     4.99ms
 51 matrix         3     7    900ns    1.2µs   812869.      216B      0   10000     0     12.3ms
 52 dim            3     7    300ns    500ns  1963017.      216B      0   10000     0     5.09ms
 53 matrix         3     8    900ns    1.2µs   685812.      240B     68.6  9999     1    14.58ms
 54 dim            3     8    300ns    700ns  1480473.      240B      0   10000     0     6.75ms
 55 matrix         3     9    900ns    1.2µs   702163.      264B      0   10000     0    14.24ms
 56 dim            3     9    300ns    500ns  1861158.      264B      0   10000     0     5.37ms
 57 matrix         3    10    900ns    1.2µs   807011.      288B      0   10000     0    12.39ms
 58 dim            3    10    300ns    500ns  1878993.      288B      0   10000     0     5.32ms
 59 matrix         4     1    900ns    1.1µs   887437.        0B      0   10000     0    11.27ms
 60 dim            4     1    300ns    400ns  2248353.        0B      0   10000     0     4.45ms
 61 matrix         4     2    900ns    1.1µs   844431.        0B      0   10000     0    11.84ms
 62 dim            4     2    300ns    600ns  1552977.        0B    155.   9999     1     6.44ms
 63 matrix         4     3    800ns    1.2µs   655476.        0B      0   10000     0    15.26ms
 64 dim            4     3    300ns    400ns  2146890.        0B      0   10000     0     4.66ms
 65 matrix         4     4    900ns    1.1µs   866469.        0B      0   10000     0    11.54ms
 66 dim            4     4    300ns    400ns  2351226.        0B      0   10000     0     4.25ms
 67 matrix         4     5    900ns    1.1µs   828555.      208B      0   10000     0    12.07ms
 68 dim            4     5    300ns    500ns  2014058.      208B      0   10000     0     4.96ms
 69 matrix         4     6    900ns    1.2µs   818311.      240B      0   10000     0    12.22ms
 70 dim            4     6    300ns    500ns  1861561.      240B    186.   9999     1     5.37ms
 71 matrix         4     7    900ns    1.5µs   576784.      272B      0   10000     0    17.34ms
 72 dim            4     7    300ns    500ns  1969202.      272B      0   10000     0     5.08ms
 73 matrix         4     8    900ns    1.2µs   814060.      304B      0   10000     0    12.28ms
 74 dim            4     8    300ns    500ns  1852469.      304B      0   10000     0      5.4ms
 75 matrix         4     9    900ns    1.2µs   795083.      336B      0   10000     0    12.58ms
 76 dim            4     9    300ns    500ns  1622240.      336B    162.   9999     1     6.16ms
 77 matrix         4    10    900ns    1.4µs   584426.      368B      0   10000     0    17.11ms
 78 dim            4    10    300ns    500ns  1901574.      368B      0   10000     0     5.26ms
 79 matrix         5     1    800ns    1.1µs   869127.        0B      0   10000     0    11.51ms
 80 dim            5     1    300ns    400ns  2165065.        0B      0   10000     0     4.62ms
 81 matrix         5     2    900ns    1.1µs   869853.        0B      0   10000     0     11.5ms
 82 dim            5     2    300ns    400ns  2168915.        0B      0   10000     0     4.61ms
 83 matrix         5     3    800ns    1.5µs   593159.        0B      0   10000     0    16.86ms
 84 dim            5     3    300ns    400ns  2192886.        0B      0   10000     0     4.56ms
 85 matrix         5     4    900ns    1.2µs   823045.      208B      0   10000     0    12.15ms
 86 dim            5     4    300ns    500ns  1971142.      208B      0   10000     0     5.07ms
 87 matrix         5     5    900ns    1.2µs   787185.      248B      0   10000     0     12.7ms
 88 dim            5     5    300ns    500ns  1962863.      248B      0   10000     0     5.09ms
 89 matrix         5     6    900ns    1.7µs   536850.      288B     53.7  9999     1    18.62ms
 90 dim            5     6    300ns    500ns  1946775.      288B      0   10000     0     5.14ms
 91 matrix         5     7    900ns    1.2µs   815754.      328B      0   10000     0    12.26ms
 92 dim            5     7    300ns    500ns  1912338.      328B      0   10000     0     5.23ms
 93 matrix         5     8    900ns    1.2µs   782486.      368B     78.3  9999     1    12.78ms
 94 dim            5     8    300ns    700ns  1430718.      368B      0   10000     0     6.99ms
 95 matrix         5     9    900ns    1.3µs   634461.      408B      0   10000     0    15.76ms
 96 dim            5     9    300ns    500ns  1856596.      408B      0   10000     0     5.39ms
 97 matrix         5    10    900ns    1.1µs   817720.      448B     81.8  9999     1    12.23ms
 98 dim            5    10    300ns    400ns  2044446.      448B      0   10000     0     4.89ms
 99 matrix         6     1    900ns      1µs   999370.        0B      0   10000     0    10.01ms
100 dim            6     1    300ns    400ns  2600239.        0B      0   10000     0     3.85ms
101 matrix         6     2    800ns      1µs   990158.        0B      0   10000     0     10.1ms
102 dim            6     2    300ns    400ns  2651887.        0B      0   10000     0     3.77ms
103 matrix         6     3    900ns      1µs   905215.      192B      0   10000     0    11.05ms
104 dim            6     3    300ns    400ns  2092532.      192B      0   10000     0     4.78ms
105 matrix         6     4    900ns    1.1µs   877039.      240B      0   10000     0     11.4ms
106 dim            6     4    300ns    400ns  2109082.      240B      0   10000     0     4.74ms
107 matrix         6     5    900ns    1.1µs   880987.      288B      0   10000     0    11.35ms
108 dim            6     5    300ns    400ns  2132333.      288B      0   10000     0     4.69ms
109 matrix         6     6    900ns    1.1µs   850660.      336B     85.1  9999     1    11.75ms
110 dim            6     6    300ns    400ns  2103049.      336B      0   10000     0     4.75ms
111 matrix         6     7    900ns    1.1µs   883213.      384B      0   10000     0    11.32ms
112 dim            6     7    300ns    400ns  2017268.      384B      0   10000     0     4.96ms
113 matrix         6     8    900ns    1.1µs   819746.      432B      0   10000     0     12.2ms
114 dim            6     8    300ns    400ns  1988744.      432B      0   10000     0     5.03ms
115 matrix         6     9    900ns    1.1µs   845537.      480B      0   10000     0    11.83ms
116 dim            6     9    300ns    500ns  1880017.      480B      0   10000     0     5.32ms
117 matrix         6    10    900ns    1.1µs   857780.      528B      0   10000     0    11.66ms
118 dim            6    10    300ns    400ns  2009808.      528B      0   10000     0     4.98ms
119 matrix         7     1    800ns      1µs   941380.        0B      0   10000     0    10.62ms
120 dim            7     1    300ns    400ns  2291371.        0B      0   10000     0     4.36ms
121 matrix         7     2    900ns      1µs   921881.        0B     92.2  9999     1    10.85ms
122 dim            7     2    300ns    400ns  2362949.        0B      0   10000     0     4.23ms
123 matrix         7     3    900ns    1.1µs   820755.      216B      0   10000     0    12.18ms
124 dim            7     3    300ns    400ns  1867762.      216B      0   10000     0     5.35ms
125 matrix         7     4    900ns      1µs   830903.      272B      0   10000     0    12.04ms
126 dim            7     4    300ns    400ns  1866891.      272B      0   10000     0     5.36ms
127 matrix         7     5    900ns    1.1µs   839525.      328B      0   10000     0    11.91ms
128 dim            7     5    300ns    400ns  2070136.      328B      0   10000     0     4.83ms
129 matrix         7     6    900ns    1.1µs   854058.      384B      0   10000     0    11.71ms
130 dim            7     6    300ns    400ns  1954270.      384B      0   10000     0     5.12ms
131 matrix         7     7    900ns    1.1µs   802053.      440B      0   10000     0    12.47ms
132 dim            7     7    300ns    500ns  1722416.      440B      0   10000     0     5.81ms
133 matrix         7     8    900ns    1.1µs   807106.      496B     80.7  9999     1    12.39ms
134 dim            7     8    300ns    400ns  1899371.      496B      0   10000     0     5.26ms
135 matrix         7     9    900ns    1.1µs   872106.      552B      0   10000     0    11.47ms
136 dim            7     9    300ns    500ns  1827352.      552B      0   10000     0     5.47ms
137 matrix         7    10    900ns    1.1µs   783828.      608B      0   10000     0    12.76ms
138 dim            7    10    300ns    500ns  1871328.      608B      0   10000     0     5.34ms
139 matrix         8     1    900ns      1µs   915039.        0B      0   10000     0    10.93ms
140 dim            8     1    300ns    400ns  2338251.        0B      0   10000     0     4.28ms
141 matrix         8     2    900ns      1µs   927489.        0B      0   10000     0    10.78ms
142 dim            8     2    300ns    400ns  2413011.        0B      0   10000     0     4.14ms
143 matrix         8     3    900ns    1.1µs   833952.      240B      0   10000     0    11.99ms
144 dim            8     3    300ns    400ns  1856252.      240B      0   10000     0     5.39ms
145 matrix         8     4    900ns    1.1µs   824083.      304B      0   10000     0    12.13ms
146 dim            8     4    300ns    400ns  1960400.      304B      0   10000     0      5.1ms
147 matrix         8     5    900ns    1.1µs   804855.      368B      0   10000     0    12.43ms
148 dim            8     5    300ns    500ns  1750578.      368B      0   10000     0     5.71ms
149 matrix         8     6    900ns    1.1µs   800935.      432B      0   10000     0    12.48ms
150 dim            8     6    300ns    500ns  1854015.      432B      0   10000     0     5.39ms
151 matrix         8     7    900ns    1.1µs   829951.      496B      0   10000     0    12.05ms
152 dim            8     7    300ns    500ns  1847473.      496B      0   10000     0     5.41ms
153 matrix         8     8    900ns    1.1µs   843490.      560B      0   10000     0    11.86ms
154 dim            8     8    300ns    500ns  1732148.      560B    173.   9999     1     5.77ms
155 matrix         8     9    900ns    1.1µs   837661.      624B      0   10000     0    11.94ms
156 dim            8     9    300ns    500ns  1812875.      624B      0   10000     0     5.52ms
157 matrix         8    10    900ns    1.1µs   772642.      688B      0   10000     0    12.94ms
158 dim            8    10    300ns    500ns  1763855.      688B      0   10000     0     5.67ms
159 matrix         9     1    800ns      1µs   944118.        0B      0   10000     0    10.59ms
160 dim            9     1    300ns    400ns  2385952.        0B      0   10000     0     4.19ms
161 matrix         9     2    900ns      1µs   814817.      192B      0   10000     0    12.27ms
162 dim            9     2    300ns    500ns  1852538.      192B      0   10000     0      5.4ms
163 matrix         9     3    900ns    1.1µs   817862.      264B      0   10000     0    12.23ms
164 dim            9     3    300ns    400ns  2041275.      264B      0   10000     0      4.9ms
165 matrix         9     4    900ns    1.1µs   779910.      336B      0   10000     0    12.82ms
166 dim            9     4    300ns    400ns  1860846.      336B      0   10000     0     5.37ms
167 matrix         9     5    900ns    1.1µs   785540.      408B      0   10000     0    12.73ms
168 dim            9     5    300ns    500ns  1829592.      408B      0   10000     0     5.47ms
169 matrix         9     6    900ns    1.1µs   809310.      480B      0   10000     0    12.36ms
170 dim            9     6    300ns    500ns  1742798.      480B      0   10000     0     5.74ms
171 matrix         9     7    900ns    1.1µs   759261.      552B      0   10000     0    13.17ms
172 dim            9     7    300ns    500ns  1784790.      552B      0   10000     0      5.6ms
173 matrix         9     8    900ns    1.1µs   812242.      624B      0   10000     0    12.31ms
174 dim            9     8    300ns    500ns  1724346.      624B      0   10000     0      5.8ms
175 matrix         9     9    900ns    1.1µs   738874.      696B      0   10000     0    13.53ms
176 dim            9     9    300ns    500ns  1725268.      696B      0   10000     0      5.8ms
177 matrix         9    10    900ns    1.1µs   767177.      768B      0   10000     0    13.04ms
178 dim            9    10    300ns    500ns  1914967.      768B    192.   9999     1     5.22ms
179 matrix        10     1    800ns      1µs   940230.        0B      0   10000     0    10.64ms
180 dim           10     1    300ns    400ns  2262699.        0B      0   10000     0     4.42ms
181 matrix        10     2    900ns    1.1µs   816727.      208B      0   10000     0    12.24ms
182 dim           10     2    300ns    400ns  2033430.      208B      0   10000     0     4.92ms
183 matrix        10     3    900ns    1.1µs   796775.      288B      0   10000     0    12.55ms
184 dim           10     3    300ns    400ns  2015723.      288B      0   10000     0     4.96ms
185 matrix        10     4    900ns    1.1µs   826665.      368B      0   10000     0     12.1ms
186 dim           10     4    300ns    500ns  1820366.      368B      0   10000     0     5.49ms
187 matrix        10     5    900ns    1.1µs   803168.      448B      0   10000     0    12.45ms
188 dim           10     5    300ns    500ns  1865033.      448B    187.   9999     1     5.36ms
189 matrix        10     6    900ns    1.1µs   760861.      528B      0   10000     0    13.14ms
190 dim           10     6    300ns    500ns  1781547.      528B      0   10000     0     5.61ms
191 matrix        10     7    900ns    1.1µs   783730.      608B      0   10000     0    12.76ms
192 dim           10     7    300ns    500ns  1751498.      608B      0   10000     0     5.71ms
193 matrix        10     8    900ns    1.1µs   791459.      688B      0   10000     0    12.63ms
194 dim           10     8    300ns    500ns  1731009.      688B    173.   9999     1     5.78ms
195 matrix        10     9    900ns    1.1µs   770897.      768B      0   10000     0    12.97ms
196 dim           10     9    300ns    500ns  1804631.      768B      0   10000     0     5.54ms
197 matrix        10    10    900ns    1.1µs   718133.      848B      0   10000     0    13.93ms
198 dim           10    10    300ns    500ns  1531628.      848B      0   10000     0     6.53ms
# ℹ 4 more variables: result <list>, memory <list>, time <list>, gc <list>

結果は先ほどと変わらず、単位は相変わらずナノ秒とか1桁マイクロ秒ですが、どの条件でもmatrix()より`dim<-`()の方が2～3倍くらい速いです。

こちらも結果のグラフ化が可能です。先ほどと同じくautoplot()で自動的に出来上がります。bench::mark()の戻り値にはbench:::autoplot.bench_mark()が適用されます。

res_bm |>
  dplyr::filter(nr == 1) |>
1  ggplot2::autoplot()

1: 引数typeで描画方法をいろいろ指定できます。ただし、デフォルトの"beeswarm"はggbeeswarmパッケージ、"ridge"はggridgesパッケージが必要です。インストールされてない場合は、インストールするかどうか聞いてきます。

条件がいくつかある場合は自動でfacetに分けてくれるようです。ただこのまま列に条件がすべて入るとちょっと見にくいので、これも行ごとに分割してもう少し見やすくしてみます。内部ですでにggplot2::facet_*()が使われているのですが、上書きしてしまいます。²

res_bm |>
  tidyr::nest(.by = nr) |>
  dplyr::mutate(
    data = purrr::set_names(data, paste0("nr: ", nr))
  ) |>
1  dplyr::pull(data) |>
  purrr::iwalk(
    .f = \(x, idx) {
      temp_p <- ggplot2::autoplot(x, size = 1) +
        ggplot2::facet_wrap(
          ggplot2::vars(nc),
          ncol = 5,
          labeller = ggplot2::labeller(nc = ggplot2::label_both)
        ) +
        ggplot2::labs(title = idx) +
        ggplot2::theme_bw()
      print(temp_p)
    }
  )

1: dplyr::group_map()でやろうとすると、bench:::autoplot.bench_mark(obj, type = "beeswarm")でエラーを吐くのでdplyr::pull() |> purrr::iwalk()にしました。

どの条件でも`dim<-`()の方が速いですね。

Supplyment

chr

念のため文字型でもやってみます。時間削減で10行だけやります。文字列は一文字のベクトルであるlettersでもよかったんですが、せっかくなので短めの文章が集められているstringr::sentencesを使ってみたいと思います。

df_condition |>
  subset(nr == 10) |>
  bench::press(
    .grid = _,
    {
      elements <- sample(
        stringr::sentences,
        size = nr * nc,
        replace = TRUE
      )
      bench::mark(
        "matrix" = matrix(elements, nrow = nr),
        "dim" = `dim<-`(elements, c(nr, nc))
      )
    }
  )

# A tibble: 20 × 8
   expression    nr    nc      min   median `itr/sec` mem_alloc `gc/sec`
   <bch:expr> <int> <int> <bch:tm> <bch:tm>     <dbl> <bch:byt>    <dbl>
 1 matrix        10     1    900ns    1.1µs   847063.        0B      0  
 2 dim           10     1    300ns    400ns  2247393.        0B      0  
 3 matrix        10     2      1µs    1.2µs   818304.      208B      0  
 4 dim           10     2    300ns    500ns  2052840.      208B      0  
 5 matrix        10     3      1µs    1.2µs   756125.      288B     75.6
 6 dim           10     3    300ns    400ns  2034340.      288B      0  
 7 matrix        10     4      1µs    1.2µs   761475.      368B      0  
 8 dim           10     4    300ns    500ns  1978122.      368B      0  
 9 matrix        10     5      1µs    1.2µs   745590.      448B      0  
10 dim           10     5    300ns    500ns  1758582.      448B      0  
11 matrix        10     6    1.1µs    1.3µs   713903.      528B      0  
12 dim           10     6    300ns    500ns  1894226.      528B      0  
13 matrix        10     7    1.1µs    1.3µs   700467.      608B      0  
14 dim           10     7    300ns    500ns  1896813.      608B      0  
15 matrix        10     8    1.1µs    1.3µs   710787.      688B     71.1
16 dim           10     8    300ns    500ns  1820002.      688B      0  
17 matrix        10     9    1.2µs    1.4µs   664651.      768B      0  
18 dim           10     9    400ns    500ns  1774717.      768B      0  
19 matrix        10    10    1.2µs    1.4µs   646567.      848B      0  
20 dim           10    10    300ns    500ns  1613554.      848B      0

文字型でも`dim<-`()の方が速いですね。

logical

論理値も念のため。

df_condition |>
  subset(nr == 10) |>
  bench::press(
    .grid = _,
    {
      elements <- sample(
        c(TRUE, FALSE),
        size = nr * nc,
        replace = TRUE
      )
      bench::mark(
        "matrix" = matrix(elements, nrow = nr),
        "dim" = `dim<-`(elements, c(nr, nc))
      )
    }
  )

# A tibble: 20 × 8
   expression    nr    nc      min   median `itr/sec` mem_alloc `gc/sec`
   <bch:expr> <int> <int> <bch:tm> <bch:tm>     <dbl> <bch:byt>    <dbl>
 1 matrix        10     1    900ns      1µs   943743.        0B      0  
 2 dim           10     1    300ns    400ns  2323728.        0B    232. 
 3 matrix        10     2    900ns      1µs   950218.        0B      0  
 4 dim           10     2    300ns    400ns  2403673.        0B      0  
 5 matrix        10     3    900ns      1µs   883994.        0B      0  
 6 dim           10     3    300ns    400ns  2407956.        0B      0  
 7 matrix        10     4    900ns    1.1µs   865516.      208B      0  
 8 dim           10     4    300ns    400ns  2052208.      208B      0  
 9 matrix        10     5    900ns    1.1µs   851151.      248B      0  
10 dim           10     5    300ns    500ns  2023841.      248B      0  
11 matrix        10     6    900ns    1.1µs   857672.      288B     85.8
12 dim           10     6    300ns    400ns  2097447.      288B      0  
13 matrix        10     7    900ns    1.1µs   852057.      328B      0  
14 dim           10     7    300ns    400ns  2031282.      328B      0  
15 matrix        10     8    900ns    1.1µs   864970.      368B      0  
16 dim           10     8    300ns    400ns  1949242.      368B      0  
17 matrix        10     9    900ns    1.1µs   837261.      408B      0  
18 dim           10     9    300ns    500ns  1995490.      408B      0  
19 matrix        10    10    900ns    1.1µs   846196.      448B      0  
20 dim           10    10    300ns    400ns  2011627.      448B      0

論理値型でも`dim<-`()の方が速いですね。

Conclusion

ベクトルから行列を作るときの速さをmatrix()と`dim<-`()で比べてみました。1×1を除く10×10の行列の作成までベンチマークを回してみましたが、matrix()は大体1～1.1マイクロ秒、`dim<-`()は大体0.4～0.5マイクロ秒ということで、後者の方が速かったです。

…といっても普段の分析で使うときに体感できる差ではないので、ふつうに使うなら分かりやすいし行方向にも値を入れられるmatrix()を使うのがいいと思います。シミュレーションで行列を大量に作る際に、要素をbyrowで入れる必要がなく少しでも時間を節約したいなら`dim<-`()を使うのもいいかもしれません。（でも、おそらく他の部分とか関数の方がボトルネックになると思います…。）

Session Information

sessionInfo

R version 4.5.3 (2026-03-11 ucrt)
Platform: x86_64-w64-mingw32/x64
Running under: Windows 11 x64 (build 26100)

Matrix products: default
  LAPACK version 3.12.1

locale:
[1] LC_COLLATE=Japanese_Japan.utf8  LC_CTYPE=Japanese_Japan.utf8    LC_MONETARY=Japanese_Japan.utf8
[4] LC_NUMERIC=C                    LC_TIME=Japanese_Japan.utf8    

time zone: Asia/Tokyo
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
 [1] bench_1.1.4          microbenchmark_1.5.0 lubridate_1.9.5      forcats_1.0.1       
 [5] stringr_1.6.0        dplyr_1.2.1          purrr_1.2.2          readr_2.2.0         
 [9] tidyr_1.3.2          tibble_3.3.1         ggplot2_4.0.3        tidyverse_2.0.0     

loaded via a namespace (and not attached):
 [1] utf8_1.2.6         sandwich_3.1-3     generics_0.1.4     stringi_1.8.9      lattice_0.22-9    
 [6] hms_1.1.4          digest_0.6.39      magrittr_2.0.5     evaluate_1.0.5     grid_4.5.3        
[11] timechange_0.4.0   RColorBrewer_1.1-3 mvtnorm_1.4-2      fastmap_1.2.0      Matrix_1.7-6      
[16] jsonlite_2.0.0     survival_3.8-9     multcomp_1.4-31    scales_1.4.0       TH.data_1.1-5     
[21] codetools_0.2-20   textshaping_1.0.5  cli_3.6.6          rlang_1.3.0        splines_4.5.3     
[26] withr_3.0.3        yaml_2.3.12        otel_0.2.0         ggbeeswarm_0.7.3   tools_4.5.3       
[31] tzdb_0.5.0         profmem_0.7.0      pacman_0.5.1       vctrs_0.7.3        R6_2.6.1          
[36] zoo_1.9-0          lifecycle_1.0.5    htmlwidgets_1.6.4  vipor_0.4.7        MASS_7.3-66       
[41] ragg_1.5.2         beeswarm_0.4.0     pkgconfig_2.0.3    pillar_1.11.1      gtable_0.3.6      
[46] glue_1.8.1         systemfonts_1.3.2  xfun_0.60          tidyselect_1.2.1   rstudioapi_0.19.0 
[51] knitr_1.51         farver_2.1.2       patchwork_1.3.2    htmltools_0.5.9    rmarkdown_2.31    
[56] labeling_0.4.3     compiler_4.5.3     S7_0.2.2

Change Log

change log

2026-04-15
- microbenchmarkの結果をtbl_df化。プロットをlightboxに対応。
2026-08-15
- 変更
  - サムネイル
- 修正
  - typo

Footnotes

f(x) <- valueみたいな書き方をする関数には、結構この記法（`f<-`(x, value)）に対応しているものがあります。代入演算子（<-）まで含めて関数の名前になっているので、関数名を必ずバッククォート記号（`、backtickとも言うみたい）で囲む必要があります。コード補完をオンにしていると、候補に出てきます。↩︎
ほとんどの条件で実行回数（n_iter）が上限の１万回に達しているからか、beeswarmの処理にやたら時間がかかる気がします。"violin"とか"boxplot"だと処理が速いです。"jitter"も重かったです。"ridge"は割と速かったのですが、今回のデータだと"violin"の方が見やすかったです。↩︎