在这篇文章中我测试了四个绘制热图的函数的运行时间。这些函数是 gplots::heatmap.2()，heatmap()，ComplexHeatmap::Heatmap()和pheatmap::pheatmap()。

我使用一个1000x1000的随机矩阵进行测试。

library(ComplexHeatmap)library(pheatmap)library(gplots)library(microbenchmark)

set.seed(123)n = 1000mat = matrix(rnorm(n*n), nrow = n)

首先我测试绘制热图同时也进行聚类。

t1 = microbenchmark( "heatmap()" = {  pdf(NULL)   heatmap(mat)   dev.off() }, "heatmap.2()" = {  pdf(NULL)   heatmap.2(mat, trace = "none")   dev.off() }, "Heatmap()" = {  pdf(NULL)  draw(Heatmap(mat))   dev.off() }, "pheatmap()" = {  pdf(NULL)   pheatmap(mat)  dev.off() }, times = 5)print(t1, unit = "s")

## Unit: seconds##         expr   min    lq  mean median    uq   max neval##    heatmap() 15.93 16.03 17.05  16.13 17.25 19.90     5##  heatmap.2() 16.15 17.06 17.09  17.19 17.38 17.69     5##    Heatmap() 20.75 21.55 22.27  21.90 21.96 25.17     5##   pheatmap() 15.66 15.89 19.77  16.21 16.64 34.44     5

我们可以看到所有的四个热图函数的运行时间看起来都差不多，这可能是因为聚类占据了大部分时间。在上面的测试中，Heatmap()运行的较慢，可能是因为在Heatmap()中也进行了其他热图函数没有进行的处理，例如对dendrogram的reorder。但是运行时间和其他函数相比不是很显著。

既然有可能在第一个测试中，聚类占据了大部分时间，那么在第二个测试中，我们不进行聚类，只画热图本身。

t2 = microbenchmark( "heatmap()" = {  pdf(NULL)  heatmap(mat, Rowv = NA, Colv = NA)  dev.off() }, "heatmap.2()" = {  pdf(NULL)  heatmap.2(mat, dendrogram = "none", trace = "none")  dev.off() }, "Heatmap()" = {  pdf(NULL)  draw(Heatmap(mat, cluster_rows = FALSE, cluster_columns = FALSE))  dev.off() }, "pheatmap()" = {  pdf(NULL)  pheatmap(mat, cluster_rows = FALSE, cluster_cols = FALSE)  dev.off() }, times = 5)print(t2, unit = "s")

## Unit: seconds##         expr     min     lq    mean  median      uq     max neval##    heatmap()  0.2546  0.266  0.3192  0.2683  0.3141  0.4931     5##  heatmap.2() 15.0519 15.315 15.3524 15.4163 15.4787 15.5001     5##    Heatmap()  2.7637  2.841  2.9421  2.9303  2.9693  3.2059     5##   pheatmap()  1.1940  1.225  4.3730  1.2677  1.3535 16.8250     5

哈，现在heatmap.2()变得最慢了，而且和其他三个函数相比是慢的多的多。

第三个测试中，我们在绘制热图之前先对矩阵进行聚类，生成两个聚类变量，然后传入各个热图函数中。在这里我们测试的是画热图同时也画dendrogram的速度。

row_hc = hclust(dist(mat))col_hc = hclust(dist(t(mat)))

t3 = microbenchmark( "heatmap()" = {  pdf(NULL)  heatmap(mat, Rowv = as.dendrogram(row_hc), Colv = as.dendrogram(col_hc))  dev.off() }, "heatmap.2()" = {  pdf(NULL)  heatmap.2(mat, Rowv = row_hc, Colv = col_hc, trace = "none")  dev.off() }, "Heatmap()" = {  pdf(NULL)  draw(Heatmap(mat, cluster_rows = row_hc, cluster_columns = col_hc))  dev.off() }, "pheatmap()" = {  pdf(NULL)  pheatmap(mat, cluster_rows = row_hc, cluster_cols = col_hc)  dev.off() }, times = 5)print(t3, unit = "s")

同样还是heatmap.2()最慢。

## Unit: seconds##         expr    min     lq   mean median     uq    max neval##    heatmap()  1.462  1.473  1.503  1.475  1.506  1.599     5##  heatmap.2() 15.864 15.888 16.165 16.163 16.327 16.585     5##    Heatmap()  5.777  5.803  5.956  6.003  6.066  6.130     5##   pheatmap()  1.308  1.321  4.413  1.488  1.544 16.406     5

我们把三个测试的数值放入一个表格中，以方便比较。其中表现最差的时间我们加粗表示。每一行表示是否聚类和是否画dendrogram。

下面我也相应的测试了较小的矩阵，分别为50x50，100x100，500x500，结果见下图。基本结论是，对于小的矩阵，Heatmap()速度最慢，但是差别只是在~0.1秒的水平，我觉得可以忽略不计。对于大的矩阵，Heatmap()的优势显示出来。同时别忘了，Heatmap()是这四个热图函数中毋庸置疑最强大的一个。

用来比较的R包的版本：

• ComplexHeatmap：2.7.1.1003
• gplots：3.1.0
• pheatmap：1.0.12