用途
本技能面向 R 代码的性能优化，提供性能分析、基准测试与优化策略的实践指导，并介绍 vctrs 等后端工具的使用时机。核心原则是先测量再优化，避免无依据的重写与过度工程。
主要能力
性能工具选择
技能给出性能工具决策矩阵：
- profvis：适用于复杂代码、瓶颈未知的情况；不适用于简单函数或已知问题。可显示每行耗时与调用栈。
- bench::mark()：适用于比较多种替代方案；不适用于单一方法。可显示相对性能与内存。
- system.time()：适用于快速检查；不适用于详细分析。仅显示总运行时间。
- Rprof()：适用于仅能使用 base R 的环境；有 profvis 时不必使用。输出原始分析数据。
分步性能工作流
- 先做性能分析，找出真正的瓶颈（使用 profvis）。
- 聚焦最慢的部分（80/20 法则），在明确时间花在哪里之前不要优化。
- 对热点做基准测试，比较当前方案、向量化方案与并行方案（使用 bench::mark）。
- 根据瓶颈类型考虑工具取舍。
并行处理的适用判断
in_parallel() 在以下情况有帮助：CPU 密集型计算、易并行问题、大规模数据集上的独立操作、I/O 受限操作（文件读取、API 调用）。
在以下情况反而有害：简单快速操作（开销大于收益）、内存密集型操作（可能引发抖动）、需要共享状态的操作、小数据集。
示例：每次调用耗时 100ms 的昂贵函数适合并行（4 核下约 10s 降至约 2.5s）；微秒级的快速函数并行后反而慢约 500 倍。
vctrs 后端工具
使用 vctrs 的场景：类型安全比原始速度更重要、构建可复用的包函数、复杂的强制转换/组合逻辑、需要跨边界情况的一致行为。
避免 vctrs 的场景：一次性脚本且速度最重要、简单操作 base R 已足够、内存极度受限。
vctrs 的核心收益：类型稳定（输出类型可预测）、大小稳定（输出大小可由输入大小预测）、一致的强制转换规则、稳健的类设计（正确的 S3 向量基础设施）。
数据后端选择
- data.table：超大数据集（>1GB）、复杂分组操作、需要引用语义、性能最关键时。
- dplyr：可读性与可维护性优先、复杂连接与窗口函数、团队熟悉 tidyverse、中等规模数据（<100MB）。
- base R：不允许依赖、简单操作、教学/学习场景。
性能分析最佳实践
- 使用真实数据规模进行分析，而非玩具示例。
- 多次运行以获得稳定结果（如 min_iterations = 10、max_iterations = 100）。
- 同时检查内存使用（可设置 check = FALSE、filter_gc = FALSE）。
- 以真实使用模式进行分析，而非孤立的函数调用。
性能反模式
- 不测量就优化：应先分析再优化瓶颈。
- 为性能过度工程：应聚焦算法改进，而非 1% 收益的复杂优化。
- 凭假设判断：应针对具体用例做基准测试，而非断言 for 循环总是慢。
- 忽视可读性成本：应保持可读代码并做有针对性的优化。
vctrs 实现模式
技能给出自定义向量类的构造器与辅助函数、format 方法、强制转换方法（vec_ptype2、vec_cast）的代码示例，以及包开发中的导出与依赖（DESCRIPTION 的 Imports、NAMESPACE 的 importFrom/import）和测试类型稳定性与强制转换的示例。
vctrs 与 base R 的决策矩阵涵盖：简单组合（c() vs vec_c()）、自定义类（手动 S3 vs new_vctr()）、类型转换（as.*() vs vec_cast()）、寻找公共类型（base R 无对应 vs vec_ptype_common()）、大小操作（length() vs vec_size()）。
性能迁移模式
- 可并行工作的 for 循环 → map(data, in_parallel(f))
- 手动类型检查 → vec_assert() / vec_cast()
- 不一致的强制转换 → vec_ptype_common() / vec_c()
使用方式
技能以代码示例与决策矩阵形式给出指导，用户可参照示例在 R 项目中执行性能分析、基准测试与优化。具体安装命令与调用方式暂未提供。
适用场景
优化 R 代码、排查性能瓶颈、比较不同实现方案、构建类型安全的 R 包、选择数据处理后端。
限制
技能明确指出 vctrs 在简单操作、一次性脚本、小向量场景可能带来额外开销；并行处理在简单快速操作、内存密集型操作、需要共享状态或小数据集时可能得不偿失。具体性能数据需针对实际用例测量，技能不保证通用加速效果。