当我尝试使用大型数据集(~600,000行)计算余弦距离时,我的R会话在超时超时后崩溃
对于小型数据集,我的代码可以运行,这就是一个例子:
library(lsa)
relevant.data <- as.matrix(mtcars)
cosine(t(relevant.data))
我已经阅读了本网站上的一些帖子来并行化余弦函数,但没有运气。
是否存在一种非常有效的方法?
您是否建议使用rccp这样的帖子? Parallel cosine distance using clusterapply in R
如果计算类似相关矩阵的东西是低效的。你有什么建议?
答案 0 :(得分:2)
在Rcpp
中对其进行编码可能会给您足够的购买,因此您不需要额外的并行化麻烦。下面的示例(但我不知道它将如何在您的系统上/具有实际大小的问题:长度为1e8的向量(相当于10,000×10,000矩阵)需要763Mb,因此甚至存储问题的结果60 ^ 2倍大(如果我正确计算的话,= 2.75Tb)可能很难......)。
x <- as.matrix(mtcars)
library(lsa)
来自lsa
的功能:
cosine(as.matrix(mtcars))
略微剥离R代码:
cosR <- function(x) {
co <- array(0, c(ncol(x), ncol(x)))
## f <- colnames(x)
## dimnames(co) <- list(f, f)
for (i in 2:ncol(x)) {
for (j in 1:(i - 1)) {
co[i,j] <- crossprod(x[,i], x[,j])/
sqrt(crossprod(x[,i]) * crossprod(x[,j]))
}
}
co <- co + t(co)
diag(co) <- 1
return(as.matrix(co))
}
Rcpp版本,略微修改自here:
library(Rcpp)
library(RcppArmadillo)
cppFunction(depends='RcppArmadillo',
code="NumericMatrix cosCpp(NumericMatrix Xr) {
int n = Xr.nrow(), k = Xr.ncol();
arma::mat X(Xr.begin(), n, k, false); // reuses memory and avoids extra copy
arma::mat Y = arma::trans(X) * X; // matrix product
arma::mat res = Y / (arma::sqrt(arma::diagvec(Y)) * arma::trans(arma::sqrt(arma::diagvec(Y))));
return Rcpp::wrap(res);
}")
测试平等:
identical(cosR(x),unname(cosine(x)))
all.equal(cosCpp(x),cosR(x))
library(microbenchmark)
microbenchmark(cosine(x),cosR(x),cosCpp(x))
## Unit: nanoseconds
## expr min lq mean median uq max neval cld
## cosine(x) 460046 1181837 2069604.51 1530719 2528021 8757989 100 b
## cosR(x) 542414 1096448 1915011.12 1331277 2321596 11740233 100 b
## cosCpp(x) 7 12472 35827.76 17999 30556 644551 100 a
Rcpp版本约为1331277/17999 =快74倍,并且可能(?)也可以解决内存问题。