Question

我有一个24000 * 316 numpy矩阵，每行代表一个316个时间点的时间序列，我计算每对时间序列之间的pearson相关性。结果意味着我将拥有一个具有皮尔逊值的24000 * 24000 numpy矩阵。我的问题是这需要很长时间。我已经在较小的矩阵（200 * 200）上测试了我的管道并且它可以工作（尽管仍然很慢）。我想知道是否预计会这么慢（需要超过一天!!!）。我可能能做些什么...... 如果它有助于这是我的代码......没什么特别或难的..

def SimMat(mat,name):

    mrange = mat.shape[0]
    print "mrange:", mrange
    nTRs = mat.shape[1]
    print "nTRs:", nTRs

    SimM = numpy.zeros((mrange,mrange))



    for i in range(mrange):

        SimM[i][i] = 1

    for i in range (mrange):
        for j in range(i+1, mrange):
            pearV = scipy.stats.pearsonr(mat[i], mat[j])

            if(pearV[1] <= 0.05):
                if(pearV[0] >= 0.5):
                    print "Pearson value:", pearV[0]
                    SimM[i][j] = pearV[0]
                    SimM[j][i] = 0
            else:

                SimM[i][j] = SimM[j][i] = 0

    numpy.savetxt(name, SimM)




    return SimM, nTRs

由于

Answer 1

实现的主要问题是存储相关系数所需的内存量（至少 4.5GB）。没有理由将已计算的系数保留在内存中。对于这样的问题，我喜欢使用hdf5存储中间结果，因为它们与numpy很好地协同工作。这是一个完整的，最小的工作示例：

import numpy as np
import h5py
from scipy.stats import pearsonr

# Create the dataset
h5 = h5py.File("data.h5",'w')
h5["test"] = np.random.random(size=(24000,316))
h5.close()

# Compute dot products
h5 = h5py.File("data.h5",'r+')
A  = h5["test"][:]

N   = A.shape[0]
out = h5.require_dataset("pearson", shape=(N,N), dtype=float)

for i in range(N):
    out[i] = [pearsonr(A[i],A[j])[0] for j in range(N)]

测试前100行表示单核上只需8小时。如果你对它进行并行化，它应该具有线性加速和核心数。

大型numpy矩阵的Pearson相关性

1 个答案: