有没有人对如何提高以下代码示例的效率有任何想法或建议,这些代码使用"种类的"双滚窗?
首先,我将通过一个简单的示例来定义问题,在本文的底部有一个完整的MWE(实现)。
首先,考虑以下"随机"测试载体(通常长度> 25000):
A <- c(1.23,5.44,6.3,8.45,NaN,3.663,2.63,1.32,6.623,234.6,252.36)
A
被划分为&#34;种类&#34;火车和测试装置,都有滚动的窗户。在该MWE中,考虑长度4
的列车开始和2
的测试集长度(通常长度> 200)。因此,最初,以下值是列车和测试集的一部分:
train_1 <- A[1:4]
test_1 <- A[5:6]
接下来,我想在test_1
的每个可能的连续位置(因此是第一个滚动窗口)从train_1
中减去train_1
,生成run_1_sub
矩阵。
run_1_sub <- matrix(NaN,3,2)
run_1_sub[1,] <- train_1[1:2] - test_1
run_1_sub[2,] <- train_1[2:3] - test_1
run_1_sub[3,] <- train_1[3:4] - test_1
之后,我想在run_1_sub
的每一行中找到每行的总和除以每行中不是NaN
的条目数。
run_1_sum <-
sapply(1:3, function(x) {
sum(run_1_sub[x,], na.rm = T) / sum(!is.na(run_1_sub[x,]))
})
在下一步中,&#34;种类&#34;通过将它们的顺序从A
增加一个(因此是第二个滚动窗口)来更新列车和测试集:
train_2 <- A[2:5]
test_2 <- A[6:7]
如前所述,test_2
中的每个可能位置都会减去train_2
,并计算run_2_sub
和run_2_sum
。这个过程一直持续到测试集代表A的最后两个值,最后我用6个run_sum
矩阵结束(在这个MWE中)。然而,我的实施非常缓慢,我想知道是否有人可以帮助我提高它的效率?
这是我的实施:
# Initialization
library(zoo)
#rm(list = ls())
A <- c(1.23, 5.44, 6.3, 8.45, NaN, 3.663, 2.63, 1.32, 6.623, 234.6, 252.36) # test vector
train.length <- 4
test.length <- 2
run.length <- length(A) - train.length - test.length + 1
# Form test sets
test.sets <- sapply(1:run.length, function(x) {
A[(train.length + x):(train.length + test.length + x - 1)]
})
# Generate run_sub_matrices
run_matrix <- lapply(1:run.length, function(x) {
rollapply(A[x:(train.length + x - 1)], width = test.length, by = 1,
function(y) {
y - test.sets[, x]
})
})
# Genereate run_sum_matrices
run_sum <- sapply(1:length(run_matrix), function(x) {
rowSums(run_matrix[[x]], na.rm = T) / apply(run_matrix[[x]], 1, function(y) {
sum(!is.na(y))})
})
当然,以下初始化设置会显着降低run_sum
和run_sub
的生成速度:
A <- runif(25000)*400
train.length <- 400
test.length <- 200
此处,生成run_sub
所用的时间分别为120.04s和run_sum
28.69s。
有关如何提高和提高速度和代码的任何建议吗?
答案 0 :(得分:3)
通常,R中代码优化的前两步是:
我们将完成这两个步骤。我们同意将x
视为输入向量(在您的示例中为A
)。
您问题中的关键功能单元可以表述如下:给定train_start
(train
子集的起始索引。我们将使用单词&#39; train&#39; for this subset) ,test_start
(test
的起始索引)和test_length
(test
的长度)计算:
train_inds <- train_start + 0:(test_length-1)
test_inds <- test_start + 0:(test_length-1)
run_diff <- x[train_inds] - x[test_inds]
sum(run_diff, na.rm = TRUE) / sum(!is.na(run_diff))
这个单位被多次调用,因此计算总和和!is.na
。我们将做得更少:我们预先计算累积总和并使用此数据,而不是计算与其总和的多次差异。参见&#39;准备计算&#39;在run_mean_diff
。
res
现在包含x_mod
的所需差异总和(x
的副本,但是代替NA
和NaN
s的0 。我们现在应该减去所有过度使用的元素,即那些我们不应该在和中使用的元素,因为其他集合中的相应元素是NA
或NaN
。在计算此信息时,我们还将计算分母。请参阅有关额外元素的信息&#39;在run_mean_diff
。
此代码的优点在于train_start
,test_start
和test_length
现在可以是向量:i
每个向量的元素都被视为我们任务的单个元素。这是矢量化。我们现在的工作是构建适合我们任务的这些载体。请参阅函数generate_run_data
。
提供的代码使用的内存少得多,不需要额外的zoo
依赖,并且在小train_length
和test_length
上的原始代码要快得多。在大*_length
上也更快但不是很多。
接下来的步骤之一可能是使用Rcpp编写此代码。
代码:
run_mean_diff <- function(x, train_start, test_start, test_length) {
# Preparatory computations
x_isna <- is.na(x)
x_mod <- ifelse(x_isna, 0, x)
x_cumsum <- c(0, cumsum(x_mod))
res <- x_cumsum[train_start + test_length] - x_cumsum[train_start] -
(x_cumsum[test_start + test_length] - x_cumsum[test_start])
# Info about extra elements
extra <- mapply(
function(cur_train_start, cur_test_start, cur_test_length) {
train_inds <- cur_train_start + 0:(cur_test_length-1)
test_inds <- cur_test_start + 0:(cur_test_length-1)
train_isna <- x_isna[train_inds]
test_isna <- x_isna[test_inds]
c(
# Correction for extra elements
sum(x_mod[train_inds][test_isna]) -
sum(x_mod[test_inds][train_isna]),
# Number of extra elements
sum(train_isna | test_isna)
)
},
train_start, test_start, test_length, SIMPLIFY = TRUE
)
(res - extra[1, ]) / (test_length - extra[2, ])
}
generate_run_data <- function(n, train_length, test_length) {
run_length <- n - train_length - test_length + 1
num_per_run <- train_length - test_length + 1
train_start <- rep(1:num_per_run, run_length) +
rep(0:(run_length - 1), each = num_per_run)
test_start <- rep((train_length + 1):(n - test_length + 1),
each = num_per_run)
data.frame(train_start = train_start,
test_start = test_start,
test_length = rep(test_length, length(train_start)))
}
A <- c(1.23, 5.44, 6.3, 8.45, NaN, 3.663,
2.63, 1.32, 6.623, 234.6, 252.36)
train_length <- 4
test_length <- 2
run_data <- generate_run_data(length(A), train_length, test_length)
run_sum_new <- matrix(
run_mean_diff(A, run_data$train_start, run_data$test_start,
run_data$test_length),
nrow = train_length - test_length + 1
)
答案 1 :(得分:2)
你的代码使用如此多RAM的原因是你保留了很多中间对象,主要是run_matrix
中的所有元素。通过Rprof
进行分析表明,大部分时间都花在rollapply
上。
避免所有中间对象的最简单和最简单的方法是使用for循环。它还使代码清晰。然后你只需要用更快的速度替换对rollapply
的调用。
要应用于每个滚动子集的函数很简单:减去测试集。您可以使用stats::embed
函数创建滞后矩阵,然后利用R的回收规则从每列中减去测试向量。我创建的功能是:
calc_run_sum <- function(A, train_length, test_length) {
run_length <- length(A) - train_length - test_length + 1L
window_size <- train_length - test_length + 1L
# Essentially what embed() does, but with column order reversed
# (part of my adaptation of echasnovski's correction)
train_lags <- 1L:test_length +
rep.int(1L:window_size, rep.int(test_length, window_size)) - 1L
dims <- c(test_length, window_size) # lag matrix dims are always the same
# pre-allocate result matrix
run_sum <- matrix(NA, window_size, run_length)
# loop over each run length
for (i in seq_len(run_length)) {
# test set indices and vector
test_beg <- (train_length + i)
test_end <- (train_length + test_length + i - 1)
# echasnovski's correction
#test_set <- rep(test_set, each = train_length - test_length + 1)
#lag_matrix <- embed(A[i:(test_beg - 1)], test_length)
#run_sum[,i] <- rowMeans(lag_matrix - test_set, na.rm = TRUE)
# My adaptation of echasnovski's correction
# (requires train_lags object created outside the loop)
test_set <- A[test_beg:test_end]
train_set <- A[i:(test_beg - 1L)]
lag_matrix <- train_set[train_lags]
dim(lag_matrix) <- dims
run_sum[,i] <- colMeans(lag_matrix - test_set, na.rm = TRUE)
}
run_sum
}
现在,对于一些基准测试。我使用了以下输入数据:
library(zoo)
set.seed(21)
A <- runif(10000)*200
train.length <- 200
test.length <- 100
以下是您原始方法的时间安排:
system.time({
run.length <- length(A) - train.length - test.length + 1
# Form test sets
test.sets <- sapply(1:run.length, function(x) {
A[(train.length + x):(train.length + test.length + x - 1)]
})
# Generate run_sub_matrices
run_matrix <- lapply(1:run.length, function(x) {
rm <- rollapply(A[x:(train.length + x - 1)], width = test.length, by = 1,
FUN = function(y) { y - test.sets[, x] })
})
# Genereate run_sum_matrices
run_sum <- sapply(run_matrix, function(x) {
rowSums(x, na.rm = T) / apply(x, 1, function(y) {
sum(!is.na(y))})
})
})
# user system elapsed
# 19.868 0.104 19.974
以下是echasnovski's approach的时间安排:
system.time({
run_data <- generate_run_data(length(A), train.length, test.length)
run_sum_new <- matrix(
run_mean_diff(A, run_data$train_start, run_data$test_start,
run_data$test_length),
nrow = train.length - test.length + 1
)
})
# user system elapsed
# 10.552 0.048 10.602
我的方法的时间安排:
system.time(run_sum_jmu <- calc_run_sum(A, train.length, test.length))
# user system elapsed
# 1.544 0.000 1.548
所有3种方法的输出都是相同的。
identical(run_sum, run_sum_new)
# [1] TRUE
identical(run_sum, run_sum_jmu)
# [1] TRUE