r - 从距离矩阵创建 dist 对象的内存高效方法
问题描述
我正在尝试dist
从大距离矩阵创建对象。我正在使用stats::as.dist
. 例如,我在当前机器上有大约 128 Gb 可用,但as.dist
在处理 73,000 x 73,000 矩阵(大约 42Gb)时内存不足。鉴于最终dist
对象应小于矩阵大小的一半(即,它是下三角形,存储为向量),在我看来,应该可以以更节省内存的方式进行此计算 - 提供我们注意不要创建大的中间对象,而只是将输入的相关元素直接复制到输出。
查看 的代码getS3method('as.dist', 'default')
,我发现它使用的计算ans <- m[row(m) > col(m)]
需要创建row
与col
输入相同维度的矩阵。
我想我也许可以使用这里的算法来改进这一点,以生成下三角形的索引。这是我使用这种方法的尝试。
as.dist.new = function(dm, diag = FALSE, upper = FALSE) {
n = dim(dm)[1]
stopifnot(is.matrix(dm))
stopifnot(dim(dm)[2] == n)
k = 1:((n^2 - n)/2)
j <- floor(((2 * n + 1) - sqrt((2 * n - 1) ^ 2 - 8 * (k - 1))) / 2)
i <- j + k - (2 * n - j) * (j - 1) / 2
idx = cbind(i,j)
remove(i,j,k)
gc()
d = dm[idx]
class(d) <- "dist"
attr(d, "Size") <- n
attr(d, "call") <- match.call()
attr(d, "Diag") <- diag
attr(d, "Upper") <- upper
d
}
这适用于较小的矩阵。这是一个简单的例子:
N = 10
dm = matrix(runif(N*N), N, N)
diag(dm) = 0
x = as.dist(dm)
y = as.dist.new(dm)
但是,如果我们创建一个更大的距离矩阵,它会遇到与as.dist
.
例如,这个版本在我的系统上崩溃:
N = 73000
dm = matrix(runif(N*N), N, N)
gc()
diag(dm) = 0
gc()
as.dist.new(dm)
有没有人建议如何更有效地执行此操作?欢迎使用 R 或 Rcpp 解决方案。注意查看相关问题的答案(从 2 列位置数据生成完整距离矩阵)似乎可以使用 来执行此操作RcppArmadillo
,但我没有使用它的经验。
解决方案
好吧,遍历下三角的逻辑比较简单,如果你用 C++ 来做,也可以很快:
library(Rcpp)
sourceCpp(code='
// [[Rcpp::plugins(cpp11)]]
#include <cstddef> // size_t
#include <Rcpp.h>
using namespace Rcpp;
// [[Rcpp::export]]
NumericVector as_dist(const NumericMatrix& mat) {
std::size_t nrow = mat.nrow();
std::size_t ncol = mat.ncol();
std::size_t size = nrow * (nrow - 1) / 2;
NumericVector ans(size);
if (nrow > 1) {
std::size_t k = 0;
for (std::size_t j = 0; j < ncol; j++) {
for (std::size_t i = j + 1; i < nrow; i++) {
ans[k++] = mat(i,j);
}
}
}
ans.attr("class") = "dist";
ans.attr("Size") = nrow;
ans.attr("Diag") = false;
ans.attr("Upper") = false;
return ans;
}
')
as_dist(matrix(1:100, 10, 10))
1 2 3 4 5 6 7 8 9
2 2
3 3 13
4 4 14 24
5 5 15 25 35
6 6 16 26 36 46
7 7 17 27 37 47 57
8 8 18 28 38 48 58 68
9 9 19 29 39 49 59 69 79
10 10 20 30 40 50 60 70 80 90
推荐阅读
- javascript - 仅使用数据量选择元素
- wordpress - 自动在 LinkedIn 文章上重新发布 WordPress 帖子
- android - 找不到变量:反应本机android应用程序中的缓冲区
- ios - 干净构建后找不到 myProjectName-Swift.h
- php - RecyclerView 没有加载数据
- postgresql - 有没有办法在 pgadmin 中插入驼峰表名?
- java - 如何在没有 xml 的情况下配置 Ehcache 3 + spring boot + java config?
- javascript - 检查自上次点击后的时间是否大于 2 秒
- c# - 标签中的文本被截断
- python - numpy linalg中的特征值排序