Question

在R中，我尝试使用不同的窗口宽度对一个大矢量（最多400k元素）进行非常快速的滚动均值，然后对于每个窗口宽度，按每年的最大值汇总数据。希望下面的例子很清楚。我尝试了几种方法，到目前为止最快的方法似乎是使用roll_mean包中的RcppRoll作为运行平均值，aggregate来选择最大值。请注意内存需求是一个问题：下面的版本需要非常少的内存，因为它一次只进行一次滚动均值和聚合;这是首选。

#Example data frame of 10k measurements from 2001 to 2014
n <- 100000
df <- data.frame(rawdata=rnorm(n),
                 year=sort(sample(2001:2014, size=n, replace=TRUE))
                 ) 

ww <- 1:120 #Vector of window widths

dfsumm <- as.data.frame(matrix(nrow=14, ncol=121))
dfsumm[,1] <- 2001:2014
colnames(dfsumm) <- c("year", paste0("D=", ww))

system.time(for (i in 1:length(ww)) {
  #Do the rolling mean for this ww
  df$tmp <- roll_mean(df$rawdata, ww[i], na.rm=TRUE, fill=NA)
  #Aggregate maxima for each year
  dfsumm[,i+1] <- aggregate(data=df, tmp ~ year, max)[,2]
}) #28s on my machine
dfsumm

这给出了所需的输出：a data.frame包含15行（2001年至2015年）和120列（窗口宽度），包含每个ww和每年的最大值。

然而，计算仍然需要很长时间（因为我必须计算数千个）。我尝试过使用其他选项，dplyr和data.table，但由于我对这些软件包缺乏了解，我一直无法找到更快的内容。

这是最快的方法，使用单核（代码已经在其他地方并行化了）？

Answer 1

内存管理，即分配和复制，正在以你的方法杀死你。

这是一个data.table方法，通过引用分配：

library(data.table)
setDT(df)
alloc.col(df, 200) #allocate sufficient columns

#assign rolling means in a loop
for (i in seq_along(ww)) 
  set(df, j = paste0("D", i),  value = roll_mean(df[["rawdata"]], 
                                        ww[i], na.rm=TRUE, fill=NA))

dfsumm <- df[, lapply(.SD, max, na.rm = TRUE), by = year] #aggregate

Answer 2

使用新的frollmean函数（在data.table v1.12.0中添加），您可以执行以下操作

th = setDTthreads(1L)
df[, paste0("D",ww) := frollmean(rawdata, ww, na.rm=TRUE)]
dfsumm <- df[, lapply(.SD, max, na.rm=TRUE), by=year]
setDTthreads(th)

您应该考虑降低并行度，因为此用例在frollmean中已很好地并行化。分组操作也利用并行处理。

Answer 3

您创建的一个性能问题是使用cbind动态增长向量。您可以尝试预先分配预期大小，然后使用dfsumm[x] <- y填充它。

快速滚动均值+总结

3 个答案: