Question

X是包含100000相等大小（500个元素）位向量的文本文件（即每行是500个元素的向量）。我正在使用下面的代码生成一个邻接矩阵（100000 X 100000），但它没有优化，非常耗时。我怎样才能改善这一点。

import numpy as np
import scipy.spatial.distance


 readFrom = "vector.txt"
 fout = open("adjacencymatrix.txt","a")

 X = np.genfromtxt(readFrom, dtype=None) 

 for outer in range(0,100000):
    for inner in range(0,100000):
        dis = scipy.spatial.distance.euclidean(X[outer],X[inner])
        tmp += str(dis)+" "
    tmp += "\n"        
    fout.write(tmp)
 fout.close()

谢谢。

Answer 1

对代码进行了一些小的优化（我假设你使用的是Python 2.x）：

import numpy as np
import scipy.spatial.distance

X = np.genfromtxt("vector.txt", dtype=None) 
fout = open("adjacencymatrix.txt", "a")

for outer in xrange(0, 100000):
  fout.write(" ".join(str(scipy.spatial.distance.euclidean(X[outer], X[inner])) for inner in xrange(0, 100000)) + "\n")

fout.close()

我不建议在编写之前预先计算整个矩阵 - 虽然这样做可以让我们利用问题的模拟并迭代只有一半的元素，但它会消耗一个很多记忆。我坚持你所拥有的 - 每一行都是在计算后立即编写的。

这里真正的问题是输入数据很大，距离计算将执行100,000 x 100,000 = 10,000'000,000次，并且没有多少微优化会改变这一点。您确定必须计算整个矩阵吗？

Answer 2

编辑：在更好地理解问题后完成重写。鉴于数据的大小等，这个很棘手。到目前为止，我在加速时得到了最好的结果：

import time
import numpy as np
from scipy import spatial
import multiprocessing as mp

pool = mp.Pool(4)

test_data = np.random.random(100000*500).reshape([100000,500])

outfile = open('/tmp/test.out','w')

def split(data,size):
    for i in xrange(0, len(data), size):
        yield data[i:i+size]

def distance(vecs):
    return spatial.distance.cdist(vecs,test_data)

chunks = list(split(test_data,100))
for chunk in chunks:
    t0 = time.time()
    distances = spatial.distance.cdist(chunk,test_data)
    outfile.write(' '.join([str(x) for x in distances]))
    print 'estimated: %.2f secs'%((time.time()-t0)*len(chunks))

所以我尝试平衡数据集的每个块的大小与内存开销。这让我估计完成了大约6,600秒，或者大约110分钟。你可以看到我也开始看到我是否可以使用多处理池进行并行化。我的策略是异步处理每个块并将它们保存到不同的文本文件中，然后将文件连接起来，但我必须重新开始工作。

Answer 3

（如果您使用的是Python 2.x，请使用xrange代替range。）

要进行计算，您可以使用：

diff_matrix = numpy.subtract.outer(X, X)
result = numpy.sqrt(numpy.abs(diff_matrix))
# output the result.

请注意，要存储100,000 {100,000} double矩阵，您需要74.5 GB内存，并且可能是文本输出文件大小的两倍。你真的需要整个矩阵吗？（您也可以并行化计算，但这需要的不仅仅是numpy。）

Answer 4

我有一种预感，即使用矩阵运算可以在没有显式python循环的情况下计算距离矩阵。

X及其转置的外积似乎很有希望，因为它执行每对向量的内积并将结果留在得到的100.000 x 100.000矩阵的每个单元格中，并且内积非常接近与欧氏距离（或其正方形）有关。

所以我想这是一个调整问题，以获得两个向量之间的欧氏距离，而不是内部产品。我的直觉告诉我，复数可能在这里很有用。

也许一些更聪明的头脑可以在这里发光。

优化邻接矩阵计算

4 个答案: