---

name: optimize-shiny-performance description: > profvis、bindCache、memoise、async/promises、debounce/throttle、および 長時間実行される計算向けのExtendedTaskを使ってShinyアプリケーションのパフォーマンスを プロファイルして最適化します。ユーザーインタラクション中にアプリが遅くまたは 応答しないと感じるとき、同時負荷でサーバーリソースが枯渇するとき、特定の操作が ボトルネックを生じさせるとき、または多くの同時ユーザーを持つ本番デプロイメント用に アプリを準備するときに使用します。 locale: ja source_locale: en source_commit: 6f65f316 fence_basis_commit: 6f65f316 translator: claude-opus-4-6 translation_date: 2026-03-16 license: MIT allowed-tools: Read Write Edit Bash Grep Glob metadata: author: Philipp Thoss version: "1.0" domain: shiny complexity: advanced language: R tags: shiny, performance, profiling, caching, async, promises, optimization

Shinyパフォーマンスの最適化

キャッシング、非同期操作、リアクティブグラフの最適化を通じてShinyアプリケーションのパフォーマンスをプロファイルし、診断し、最適化します。

使用タイミング

• Shinyアプリがユーザーインタラクション中に遅くまたは応答しないと感じるとき
• 同時ユーザー負荷でサーバーリソースが枯渇するとき
• 特定の操作（データ読み込み、プロット作成、計算）がボトルネックを生じさせるとき
• 多くのユーザーを持つ本番デプロイメント用にアプリを準備するとき

入力

• 必須: Shinyアプリケーションへのパス
• 必須: パフォーマンス問題の説明（読み込みが遅い、インタラクションが遅延する、メモリが高い）
• オプション: 予想される同時ユーザー数
• オプション: 利用可能なサーバーリソース（RAM、CPUコア）
• オプション: アプリがデータベースまたは外部APIを使用するか

手順

ステップ1: アプリケーションのプロファイリング

# Profile with profvis
profvis::profvis({
  shiny::runApp("path/to/app", display.mode = "normal")
})

# Or profile specific operations
profvis::profvis({
  result <- expensive_computation(data)
})

主要なボトルネックを特定します：

1. データ読み込み: 初期データフェッチにどれくらいかかるか？
2. リアクティブの再計算: どのリアクティブが最も頻繁に発火するか？
3. レンダリング: どの出力のレンダリングに最も時間がかかるか？
4. 外部呼び出し: データベースクエリ、APIリクエスト、ファイルI/O？

リアクティブグラフ分析にリアクティブログを使用します：

# Enable reactive logging
options(shiny.reactlog = TRUE)
shiny::runApp("path/to/app")
# Press Ctrl+F3 in the browser to view the reactive graph

期待結果： 2〜3の最大のボトルネックが明確に特定されます。

失敗時： profvisが有用な詳細を表示しない場合は、特定のセクションをprofvis::profvis()でラップしてください。reactlogが圧倒的な場合は、一度に1つのインタラクションに集中してください。

ステップ2: リアクティブグラフの最適化

不要なリアクティブの無効化を減らします：

# BAD: Recomputes on ANY input change
output$plot <- renderPlot({
  data <- load_data()  # Runs every time
  filtered <- data[data$category == input$category, ]
  plot(filtered)
})

# GOOD: Isolate data loading from filtering
raw_data <- reactive({
  load_data()
}) |> bindCache()  # Cache the expensive part

filtered_data <- reactive({
  raw_data()[raw_data()$category == input$category, ]
})

output$plot <- renderPlot({
  plot(filtered_data())
})

不要な無効化を防ぐためにisolate()を使用します：

# Only recompute when the button is clicked, not on every input change
output$result <- renderText({
  input$compute  # Take dependency on button
  isolate({
    paste("N =", input$n, "Mean =", mean(rnorm(input$n)))
  })
})

高頻度の入力にはdebounce()とthrottle()を使用します：

# Debounce text input — wait 500ms after user stops typing
search_text <- reactive(input$search) |> debounce(500)

# Throttle slider — update at most every 250ms
slider_value <- reactive(input$slider) |> throttle(250)

期待結果： リアクティブグラフが必要な再計算のみを発火します。

失敗時： 依存関係を削除すると機能が壊れる場合は、暗黙的なリアクティブ依存関係に頼る代わりにreq()を使って明示的なガードを追加してください。

ステップ3: キャッシングの実装

Shiny出力用のbindCache

output$plot <- renderPlot({
  create_expensive_plot(filtered_data())
}) |> bindCache(input$category, input$date_range)

output$table <- renderDT({
  expensive_query(input$filters)
}) |> bindCache(input$filters)

bindCacheは入力値をキャッシュキーとして使用します。同じ入力が再び発生すると、キャッシュされた結果がすぐに返されます。

関数用のmemoise

# Cache expensive function results
load_reference_data <- memoise::memoise(
  function(dataset_name) {
    readr::read_csv(paste0("data/", dataset_name, ".csv"))
  },
  cache = cachem::cache_disk("cache/", max_age = 3600)
)

アプリレベルのデータ事前計算

# In global.R or outside server function — computed once at app startup
reference_data <- readr::read_csv("data/reference.csv")
model <- readRDS("models/trained_model.rds")

server <- function(input, output, session) {
  # reference_data and model are available to all sessions
  # without reloading
}

期待結果： 繰り返しの操作がキャッシュされた結果を使用し、応答時間が大幅に短縮されます。

失敗時： キャッシュが大きくなりすぎる場合はmax_ageまたはmax_sizeの制限を設定してください。キャッシュされた値が古い場合はmax_ageを減らすかキャッシュクリアボタンを追加してください。bindCacheがエラーを引き起こす場合は、キャッシュキーの入力がシリアライズ可能であることを確認してください。

ステップ4: 長時間操作への非同期処理の追加

長時間実行される計算にはExtendedTask（Shiny >= 1.8.1）を使用します：

server <- function(input, output, session) {
  # Define the extended task
  analysis_task <- ExtendedTask$new(function(data, params) {
    promises::future_promise({
      # This runs in a background process
      run_heavy_analysis(data, params)
    })
  }) |> bind_task_button("run_analysis")

  # Trigger the task
  observeEvent(input$run_analysis, {
    analysis_task$invoke(dataset(), input$params)
  })

  # Use the result
  output$result <- renderTable({
    analysis_task$result()
  })
}

Shiny < 1.8.1のアプリにはpromisesを直接使用します：

library(promises)
library(future)
plan(multisession, workers = 4)

server <- function(input, output, session) {
  result <- eventReactive(input$compute, {
    future_promise({
      Sys.sleep(5)  # Simulate long computation
      expensive_analysis(isolate(input$params))
    })
  })

  output$table <- renderTable({
    result()
  })
}

期待結果： 長時間操作がUIをブロックしない。計算実行中に他のユーザーがインタラクションできます。

失敗時： future_promiseがエラーになる場合はplan(multisession)が設定されているか確認してください。futureで変数が利用できない場合は明示的に渡してください — futureは別のRプロセスで実行されます。

ステップ5: レンダリングの最適化

レンダリングのオーバーヘッドを削減します：

# Use plotly for interactive plots instead of re-rendering
output$plot <- plotly::renderPlotly({
  plotly::plot_ly(filtered_data(), x = ~x, y = ~y, type = "scatter")
})

# Use server-side DT for large tables
output$table <- DT::renderDataTable({
  DT::datatable(large_data(), server = TRUE, options = list(
    pageLength = 25,
    processing = TRUE
  ))
})

# Conditional UI to avoid rendering hidden elements
output$details <- renderUI({
  req(input$show_details)
  expensive_details_ui()
})

期待結果： レンダリング操作が高速化され、UIをブロックしません。

失敗時： plotlyが大きなデータセットで遅い場合は、WebGLレンダリングにtoWebGL()を使用するか、プロット前にデータをダウンサンプリングしてください。

ステップ6: パフォーマンス改善の検証

# Before/after benchmarking
system.time({
  shiny::testServer(myModuleServer, args = list(...), {
    session$setInputs(category = "A")
    session$flushReact()
  })
})

# Load testing with shinyloadtest
shinyloadtest::record_session("http://localhost:3838")
shinyloadtest::shinycannon(
  "recording.log",
  "http://localhost:3838",
  workers = 10,
  loaded_duration_minutes = 5
)
shinyloadtest::shinyloadtest_report("recording.log")

期待結果： 応答時間および/または同時ユーザー容量の測定可能な改善。

失敗時： パフォーマンスが改善されなかった場合は、次のボトルネックを見つけるために再プロファイルしてください。パフォーマンス最適化は反復的です — まず最大のボトルネックを修正し、次に再測定してください。

バリデーション

• プロファイリングが特定のボトルネックを特定する（推測ではない）
• リアクティブグラフに不要な無効化チェーンがない
• 高価な操作がキャッシングを使用する（bindCacheまたはmemoise）
• 長時間実行される計算が非同期処理を使用する（ExtendedTaskまたはpromises）
• 高頻度の入力がdebounce/throttleを使用する
• 大きなデータセットがサーバーサイド処理を使用する
• パフォーマンス改善が測定可能（ビフォー/アフターのタイミング）

よくある落とし穴

• 早期最適化: 最初にプロファイルしてください。ボトルネックはあなたが思っている場所にはほとんどありません。
• キャッシュ無効化のバグ: ユーザーが古いデータを見る場合は、キャッシュキーに関連するすべての入力が含まれていません。bindCache()に欠けている依存関係を追加してください。
• futureの変数スコーピング: future_promiseは別のプロセスで実行されます。グローバル変数、データベース接続、リアクティブな値は明示的にキャプチャする必要があります。
• リアクティブスパゲッティ: リアクティブグラフが複雑すぎて理解できない場合、アプリにはキャッシングではなくアーキテクチャのリファクタリング（モジュール）が必要です。
• 過剰なキャッシング: すべてをキャッシュするとメモリを無駄にします。高価でかつ繰り返しの入力パターンを持つ操作のみキャッシュしてください。

関連スキル

• build-shiny-module — 保守可能なリアクティブコードのためのモジュラーアーキテクチャ
• scaffold-shiny-app — 最初から適切なアプリフレームワークを選択する
• deploy-shiny-app — 適切なサーバーリソースで最適化されたアプリをデプロイする
• test-shiny-app — パフォーマンスリグレッションテスト