[英]Clojure : Group-by too slow (13 million-lines file)
情况
我有一个1300万行CSV,我想为每个组执行逻辑回归(incanter)。 我的文件是这样的(值只是样本)
ID Max Probability
1 1 0.5
1 5 0.6
1 10 0.99
2 1 0.1
2 7 0.95
所以我首先用csv阅读器阅读它,永远很好。
我有类似的东西:
( {"Id" "1", "Max" 1, "Probability" 0.5} {"Id" "1", "Max" 5, "Probability" 0.6} etc.
我希望通过Id分组这些值,如果我没记错的话,那里有大约1.2百万个ID。 (我用Python做了大熊猫,速度非常快)
这是我读取和格式化文件的功能(它适用于较小的数据集):
(defn read-file
[]
(let [path (:path-file @config)
content-csv (take-csv path \,)]
(->> (group-by :Id content-csv)
(map (fn [[k v]]
[k {:x (mapv :Max v) :y (mapv :Probability v)}]))
(into {}))))
我想最后有类似的东西来执行逻辑回归(我对此很灵活,不需要向量:x和:y,seqs都可以)
{"1" {:x [1 5 10] :y [0.5 0.6 0.99]} "2" {:x [1 7] :y [0.1 0.95]} etc.
问题
我在分组操作方面遇到了麻烦。 我在CSV的输出上分别尝试了它,并且由于Java堆空间内存而没有消失,这将永远消失。 我认为问题是我的mapv事情,但这是分组。
我想过使用reduce或reduce-kv但是我不知道如何将这些函数用于这种目的。
我不关心“:x”和“:y”的顺序(只要它们在它们之间相同,我的意思是x和y具有相同的索引......不是问题因为它们是相同的线)和最终结果的Ids我读了那个组 - 保持顺序。 也许这是操作成本高昂的?
如果遇到任何人,我会给你样本数据:
(def sample '({"Id" "1" "Max" 1 "Probability" 0.5} {"Id" "1" "Max" 5 "Probability" 0.6} {"Id" "1" "Max" 10 "Probability" 0.99} {"Id" "2" "Max" 1 "Probability" 0.1} {"Id" "2" "Max" 7 "Probability" 0.95}))
其他选择
我有其他想法,但我不确定他们是“Clojure” - 友好。
在Python中,由于函数的性质,并且因为文件已经被排序,而不是使用group-by,我在每个组的数据帧开始和结束索引中写入,因此我只需要直接选择子数据。
我也可以加载一个id列表,而不是从Clojure计算它。 喜欢
(def ids'(“1”“2”等。
所以也许可以从以下开始:
{"1" {:x [] :y []} "2" {:x [] :y []} etc.
从上一个seq开始,然后匹配每个ID上的大文件。
我不知道它实际上是否更有效率。
我拥有逻辑回归的所有其他功能,我只是缺少这一部分! 谢谢 !
编辑
谢谢你的答案,我终于有了这个解决方案。
在我的project.clj文件中
:jvm-opts ["-Xmx13g"])
代码:
(defn data-group->map [group]
{(:Id (first group))
{:x (map :Max group)
:y (map :Probability group)}})
(defn prob-cumsum [data]
(cag/fmap
(fn [x]
(assoc x :y (reductions + (x :y))))
data))
(defn process-data-splitter [data]
(->> (partition-by :Id data)
(map data-group->map)
(into {})
(prob-cumsum)))
我把所有代码都包装好了。 拆分大约需要5分钟,但我不需要超速。 对于文件读取,内存使用量可以达到所有内存,对于sigmoid则可以更少。
如果您的文件按ID排序,则可以使用partition-by
而不是group-by
。
那么你的代码看起来像这样:
(defn data-group->map [group]
[(:Id (first group))
{:x (mapv :Max group)
:y (mapv :Probability group)}])
(defn read-file []
(let [path (:path-file @config)
content-csv (take-csv path \,)]
(->> content-csv
(partition-by :Id)
(map data-group->map)
(into {}))))
这应该加快它。 然后你可以使用传感器加快速度
(defn read-file []
(let [path (:path-file @config)
content-csv (take-csv path \,)]
(into {} (comp (partition-by :Id)
(map data-group->map))
content-csv)))
让我们做一些测试:
首先生成像你这样的大数据:
(def huge-data
(doall (mapcat #(repeat
1000000
{:Id % :Max 1 :Probability 10})
(range 10))))
我们有一千万个项目数据集,其中有数百万个{:Id 0 :Max 1 :Probability 10}
,百万个{:Id 1 :Max 1 :Probability 10}
,依此类推。
现在要测试的功能:
(defn process-data-group-by [data]
(->> (group-by :Id data)
(map (fn [[k v]]
[k {:x (mapv :Max v) :y (mapv :Probability v)}]))
(into {})))
(defn process-data-partition-by [data]
(->> data
(partition-by :Id)
(map data-group->map)
(into {})))
(defn process-data-transducer [data]
(into {} (comp (partition-by :Id) (map data-group->map)) data))
现在时间测试:
(do (time (dorun (process-data-group-by huge-data)))
(time (dorun (process-data-partition-by huge-data)))
(time (dorun (process-data-transducer huge-data))))
"Elapsed time: 3377.167645 msecs"
"Elapsed time: 3707.03448 msecs"
"Elapsed time: 1462.955152 msecs"
注意, partition-by
产生延迟序列,而group-by应该实现整个集合。 因此,如果您需要按组分组而不是整个地图,则可以删除(into {})
并更快地访问每个数据:
(defn process-data-partition-by [data]
(->> data
(partition-by :Id)
(map data-group->map)))
校验:
user> (time (def processed-data (process-data-partition-by huge-data)))
"Elapsed time: 0.06079 msecs"
#'user/processed-data
user> (time (let [f (first processed-data)]))
"Elapsed time: 302.200571 msecs"
nil
user> (time (let [f (second processed-data)]))
"Elapsed time: 500.597153 msecs"
nil
user> (time (let [f (last processed-data)]))
"Elapsed time: 2924.588625 msecs"
nil
user.core> (time (let [f (last processed-data)]))
"Elapsed time: 0.037646 msecs"
nil
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.