[英]Fast linear regression by group
我有50 萬用戶,我需要為每個用戶計算線性回歸(帶截距) 。
每個用戶大約有 30 條記錄。
我試過dplyr
和lm
,這太慢了。 用戶約 2 秒。
df%>%
group_by(user_id, add = FALSE) %>%
do(lm = lm(Y ~ x, data = .)) %>%
mutate(lm_b0 = summary(lm)$coeff[1],
lm_b1 = summary(lm)$coeff[2]) %>%
select(user_id, lm_b0, lm_b1) %>%
ungroup()
)
我嘗試使用已知速度更快的lm.fit
,但它似乎與dplyr
不兼容。
有沒有一種快速的方法可以按組進行線性回歸?
您可以只使用基本公式來計算斜率和回歸。 如果你只關心這兩個數字, lm
會做很多不必要的事情。 在這里,我使用data.table
進行聚合,但您也可以在基礎 R(或dplyr
)中進行:
system.time(
res <- DT[,
{
ux <- mean(x)
uy <- mean(y)
slope <- sum((x - ux) * (y - uy)) / sum((x - ux) ^ 2)
list(slope=slope, intercept=uy - slope * ux)
}, by=user.id
]
)
為 500K 用戶生成 ~30 個 obs(以秒為單位):
user system elapsed
7.35 0.00 7.36
或者每個用戶大約15 微秒。
並確認這是按預期工作的:
> summary(DT[user.id==89663, lm(y ~ x)])$coefficients
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.1965844 0.2927617 0.6714826 0.5065868
x 0.2021210 0.5429594 0.3722580 0.7120808
> res[user.id == 89663]
user.id slope intercept
1: 89663 0.202121 0.1965844
數據:
set.seed(1)
users <- 5e5
records <- 30
x <- runif(users * records)
DT <- data.table(
x=x, y=x + runif(users * records) * 4 - 2,
user.id=sample(users, users * records, replace=T)
)
如果你想要的只是系數,我只會使用user_id
作為回歸中的一個因素。 使用@miles2know 的模擬數據代碼(雖然重命名,因為共享該名稱的exp()
以外的對象對我來說看起來很奇怪)
dat <- data.frame(id = rep(c("a","b","c"), each = 20),
x = rnorm(60,5,1.5),
y = rnorm(60,2,.2))
mod = lm(y ~ x:id + id + 0, data = dat)
我們不擬合全局截距 ( + 0
),因此每個 id 的截距是id
系數,而沒有x
本身,因此x:id
交互作用是每個id
的斜率:
coef(mod)
# ida idb idc x:ida x:idb x:idc
# 1.779686 1.893582 1.946069 0.039625 0.033318 0.000353
因此,對於id
a
水平, ida
系數 1.78 是截距,而x:ida
系數 0.0396 是斜率。
我將把這些系數收集到數據框的適當列中留給你......
此解決方案應該非常快,因為您不必處理數據幀的子集。 使用fastLm
等可能會加快速度。
我只是在@nrussell 的模擬全尺寸數據上嘗試過這個,但遇到了內存分配問題。 取決於您擁有多少內存,它可能無法一次性工作,但您可能可以分批使用用戶 ID。 他的答案和我的答案的某種組合可能是整體最快的——或者 nrussell 的可能更快——將用戶 ID 因子擴展為數千個虛擬變量可能在計算上效率不高,因為我已經等了不止一個現在只需幾分鍾即可運行 5000 個用戶 ID。
更新:正如 Dirk 所指出的,可以通過直接指定x
和Y
而不是使用fastLm
的基於公式的接口來大大改進我的原始方法,這會產生(相當大的)處理開銷。 為了比較,使用原始全尺寸數據集,
R> system.time({
dt[,c("lm_b0", "lm_b1") := as.list(
unname(fastLm(x, Y)$coefficients))
,by = "user_id"]
})
# user system elapsed
#55.364 0.014 55.401
##
R> system.time({
dt[,c("lm_b0","lm_b1") := as.list(
unname(fastLm(Y ~ x, data=.SD)$coefficients))
,by = "user_id"]
})
# user system elapsed
#356.604 0.047 356.820
這個簡單的改變產生了大約6.5 倍的加速。
[原始方法]
可能還有一些改進的空間,但以下在運行 64 位 R 的 Linux VM(2.6 GHz 處理器)上花費了大約 25 分鍾:
library(data.table)
library(RcppArmadillo)
##
dt[
,c("lm_b0","lm_b1") := as.list(
unname(fastLm(Y ~ x, data=.SD)$coefficients)),
by=user_id]
##
R> dt[c(1:2, 31:32, 61:62),]
user_id x Y lm_b0 lm_b1
1: 1 1.0 1674.8316 -202.0066 744.6252
2: 1 1.5 369.8608 -202.0066 744.6252
3: 2 1.0 463.7460 -144.2961 374.1995
4: 2 1.5 412.7422 -144.2961 374.1995
5: 3 1.0 513.0996 217.6442 261.0022
6: 3 1.5 1140.2766 217.6442 261.0022
數據:
dt <- data.table(
user_id = rep(1:500000,each=30))
##
dt[, x := seq(1, by=.5, length.out=30), by = user_id]
dt[, Y := 1000*runif(1)*x, by = user_id]
dt[, Y := Y + rnorm(
30,
mean = sample(c(-.05,0,0.5)*mean(Y),1),
sd = mean(Y)*.25),
by = user_id]
您可以嘗試使用 data.table 像這樣。 我剛剛創建了一些玩具數據,但我想 data.table 會有所改進。 這是相當快的。 但這是一個相當大的數據集,因此也許可以在較小的樣本上對這種方法進行基准測試,以查看速度是否要好得多。 祝你好運。
library(data.table)
exp <- data.table(id = rep(c("a","b","c"), each = 20), x = rnorm(60,5,1.5), y = rnorm(60,2,.2))
# edit: it might also help to set a key on id with such a large data-set
# with the toy example it would make no diff of course
exp <- setkey(exp,id)
# the nuts and bolts of the data.table part of the answer
result <- exp[, as.list(coef(lm(y ~ x))), by=id]
result
id (Intercept) x
1: a 2.013548 -0.008175644
2: b 2.084167 -0.010023549
3: c 1.907410 0.015823088
使用 Rfast 的示例。
假設一個響應和 50 萬個預測變量。
y <- rnorm(30)
x <- matrnorm(500*1000,30)
system.time( Rfast::univglms(y, x,"normal") ) ## 0.70 seconds
假設有 500K 響應變量和單個預測變量。
system.time( Rfast::mvbetas(x,y) ) ## 0.60 seconds
注:以上次數將在近期減少。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.