gpt4 book ai didi

performance - 在 R 中交叉制表两个大量逻辑向量的最快方法

转载 作者:行者123 更新时间:2023-12-03 20:00:55 24 4
gpt4 key购买 nike

对于长度 > 1E8 的两个逻辑向量 xy ,计算 2x2 交叉表的最快方法是什么?

我怀疑答案是用 C/C++ 编写它,但我想知道 R 中是否有一些东西已经很聪明地解决了这个问题,因为它并不少见。

示例代码,对于 300M 条目(如果 3E8 太大,请随意让 N = 1E8;我选择的总大小略低于 2.5GB(2.4GB)。我的目标是 0.02 的密度,只是为了让它更有趣(可以如果有帮助,请使用稀疏向量,但类型转换可能需要时间)。

set.seed(0)
N = 3E8
p = 0.02
x = sample(c(TRUE, FALSE), N, prob = c(p, 1-p), replace = TRUE)
y = sample(c(TRUE, FALSE), N, prob = c(p, 1-p), replace = TRUE)

一些明显的方法:
  • table
  • bigtabulate
  • 简单的逻辑运算(例如 sum(x & y) )
  • 矢量乘法 (boo)
  • data.table
  • 以上部分,parallel 来自 multicore 包(或新的 parallel 包)

  • 我已经尝试了前三个选项(请参阅我的答案),但我觉得必须有更好更快的方法。

    我发现 table 工作非常缓慢。 bigtabulate 对于一对逻辑向量来说似乎有点矫枉过正。最后,做普通的逻辑运算似乎很麻烦,它查看每个向量的次数太多(3X?7X?),更不用说它在处理过程中填充了大量额外的内存,这是一种大量的时间浪费。

    向量乘法通常是一个坏主意,但是当向量稀疏时,可以通过将其存储为这样的方式然后使用向量乘法来获得优势。

    随意更改 Np ,如果这将展示制表函数的任何有趣行为。 :)

    更新 1. 我的第一个答案给出了三种幼稚方法的计时,这是相信 table 很慢的基础。然而,要意识到的关键是“逻辑”方法效率极低。看看它在做什么:
  • 4 个逻辑向量运算
  • 4 次类型转换(逻辑到整数或 FP - 对于 sum )
  • 4 个向量求和
  • 8 个赋值(1 个用于逻辑运算,1 个用于求和)

  • 不仅如此,它甚至没有被编译或并行化。然而,它仍然击败了 table 的裤子。请注意, bigtabulate 和额外的类型转换( 1 * cbind... )仍然胜过 table

    更新 2。以免有人指出 R 中的逻辑向量支持 NA ,这将成为这些交叉表的系统中的 Spanner (在大多数情况下是正确的),我应该指出我的向量来自 is.na()is.finite() . :) 我一直在调试 NA 和其他非有限值 - they've been a headache for me recently 。如果您不知道您的所有条目是否都是 NA ,您可以使用 any(is.na(yourVector)) 进行测试 - 在您采用本问答中出现的一些想法之前,这样做是明智的。

    更新 3. Brandon Bertelsen 在评论中提出了一个非常合理的问题:为什么在子样本(毕竟,初始集是一个样本 ;-))可能足以创建交叉样本的情况下使用这么多数据?制表?不要在统计中漂移太远,但数据来自两个变量的 TRUE 观测值非常罕见的情况。一个是数据异常的结果,另一个是由于代码中可能存在的错误(可能是错误,因为我们只看到计算结果 - 将变量 x 视为“垃圾输入”,将 y 视为“垃圾输出”。作为结果,问题是代码导致的输出问题是否仅仅是数据异常的情况,还是存在其他一些好的数据变坏的情况?(这就是为什么我问了一个关于 stopping when a NaN , NA , or Inf is encountered 的问题。)

    这也解释了为什么我的示例对于 TRUE 值的概率很低;这些实际发生的概率远低于 0.1%。

    这是否暗示了不同的解决方案路径?是的:这表明我们可以使用两个索引(即每个集合中 TRUE 的位置)并计算集合交集。我避免了集合交集,因为我被 Matlab 烧了一段时间(是的,这是 R,但请耐心等待),它会在进行交集之前先对集合的元素进行排序。 (我依稀记得复杂度更令人尴尬:比如 O(n^2) 而不是 O(n log n) 。)

    最佳答案

    如果您正在对巨大的逻辑向量进行大量操作,请查看 bit包裹。它通过将 bool 值存储为真正的 1 位 bool 值来节省大量内存。

    这对 table 没有帮助;它实际上使情况变得更糟,因为由于其构造方式,位向量中有更多的唯一值。但它确实有助于逻辑比较。

    # N <- 3e7
    require(bit)
    xb <- as.bit(x)
    yb <- as.bit(y)
    benchmark(replications = 1, order = "elapsed",
    bit = {res <- func_logical(xb,yb)},
    logical = {res <- func_logical(x,y)}
    )
    # test replications elapsed relative user.self sys.self user.child sys.child
    # 1 bit 1 0.129 1.00000 0.132 0.000 0 0
    # 2 logical 1 3.677 28.50388 2.684 0.928 0 0

    关于performance - 在 R 中交叉制表两个大量逻辑向量的最快方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/9171036/

    24 4 0
    Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
    广告合作:1813099741@qq.com 6ren.com