创建一个大的协方差矩阵

时间:2012-06-10 14:14:43

标签: r mapreduce elastic-map-reduce

我需要创建〜110个双倍大小的协方差矩阵19347 x 19347然后将它们全部加在一起。

这本身并不是很困难,对于较小的矩阵,以下代码可以正常工作。

covmat <- matrix(0, ncol=19347, nrow=19347)
files<-list.files("path/to/folder/")
for(name in files){
  text <- readLines(paste("path/to/folder/", name, sep=""),  n=19347, encoding="UTF-8")
   for(i in 1:19347){
    for(k in 1:19347){
      covmat[i, k]  <- covmat[i,k] + (as.numeric(text[i]) * as.numeric(text[k]))
    }
  }
}

为了节省内存,我不计算每个单独的矩阵,而是在循环遍历每个文件时将它们一起添加。

问题是当我在需要使用的真实数据上运行它需要太长时间。实际上并没有那么多数据,但我认为这是一项CPU和内存密集型工作。因此运行约10个小时不会计算结果。

我已经考虑过尝试使用Map Reduce(AWS EMR),但我得出的结论是,我不相信这是Map Reduce问题,因为它不是一个大数据问题。但是这里是我的mapper和reducer的代码我一直在玩,如果我做错了。

#Mapper
text <- readLines("stdin",  n=4, encoding="UTF-8")
covmat <- matrix(0, ncol=5, nrow=5)

for(i in 1:5){
  for(k in 1:5){
     covmat[i, k]  <- (as.numeric(text[i]) * as.numeric(text[k]))
  }
}

cat(covmat)

#Reducer
trimWhiteSpace <- function(line) gsub("(^ +)|( +$)", "", line)
splitIntoWords <- function(line) unlist(strsplit(line, "[[:space:]]+"))
final <- matrix(0, ncol=19347, nrow=19347)
## **** could wo with a single readLines or in blocks
con <- file("stdin", open = "r")
while (length(line <- readLines(con, n = 1, warn = FALSE)) > 0) {

    line <- trimWhiteSpace(line)
    words <- splitIntoWords(line)
    final <- final + matrix(as.numeric(words), ncol=19347, nrow=19347)
}
close(con)
cat(final)

有谁能建议如何解决这个问题?

提前致谢

修改

感谢下面一些评论者的大力帮助,我修改了代码,因此效率更高。

files<-list.files("path/to/file")
covmat <- matrix(0, ncol=19347, nrow = 19347)
for(name in files){
   invec <- scan(paste("path/to/file", name, sep=""))
   covmat <- covmat + outer(invec,invec, "*")
}

以下是我要处理的文件示例。

1       0.00114582882882883
2      -0.00792611711711709
...                     ...
19346  -0.00089507207207207
19347  -0.00704709909909909

在运行程序时,每个文件仍然需要~10分钟。有没有人对如何加速这个有任何建议?

我有8GB的RAM,当程序运行时R只使用4.5GB,并且有少量免费。

我正在运行Mac OS X Snow Leopard和R 64bit v.2.15

2 个答案:

答案 0 :(得分:4)

我对循环中的逻辑感到担忧。您正在计算一个基本上是covmat + outer(in.vec)的结果。

   text <- c("1", "5", "8")
    for(i in 1:3){
     for(k in 1:3){
       covmat[i, k]  <-  (as.numeric(text[i]) * as.numeric(text[k]))
     }
   }
 covmat
     [,1] [,2] [,3]
[1,]    1    5    8
[2,]    5   25   40
[3,]    8   40   64
 outer(as.numeric(text),as.numeric(text), "*")
     [,1] [,2] [,3]
[1,]    1    5    8
[2,]    5   25   40
[3,]    8   40   64

这不会让它错,只是可以在R中大大简化的东西,如果那是你真正想要的,那么这个矢量化函数可以取代整个内部的两个循环:

invec <- scan(paste("path/to/folder/", name, sep="")
covmat <- outer(invec,invec, "*")

你也用你最外层的循环覆盖连续文件的每个结果,这不是你想要做的,所以你可能需要决定存储这些矩阵的数据结构,自然选择是列表:

matlist <- list()
files<-list.files("path/to/folder/")
    for(name in files){
         invec <- scan(paste("path/to/folder/", name, sep="")
         covmat <- outer(invec,invec, "*")
         matlist[[name]] <- covmat
                      }

现在'matlist'应该有与该目录中的文件一样多的矩阵。您可以按名称或输入顺序访问它们。您可以使用以下命令检索名称:

names(matlist)

答案 1 :(得分:1)

也许

covmat <- matrix(0, ncol=19347, nrow = 19347)
files <- paste("path/to/folder/", list.files("path/to/folder/"), sep = '')
for(name in files){
  vec <- scan(name,  nlines = 19347)
  mat <- outer(vec, vec, '*')
  covmat <- covmat + mat
}

我猜,但也许你真的想要像...这样的东西。

numFiles <- 110
mat <- matrix(0, ncol= numFiles, nrow = 19347)
files <- paste("path/to/folder/", list.files("path/to/folder/"), sep = '')
for(i in 1:numFiles){
  mat[i,] <- scan(files[i],  nlines = 19347)
}
covmat <- cov(mat)