[英]Updating individual elements of a sparse matrix in R is very slow - how can I do it faster?
對使用稀疏矩陣的腳本的profvis
分析表明,稀疏矩陣元素的更新是該過程中最慢的步驟,相差 1 個數量級。
我需要了解我是否可以做得更好(尤其是更快); 如果有人可以建議在哪里尋找或提供建議,我將不勝感激。
這是一些R
代碼,它重現了我的腳本的“關鍵”部分:
require(Matrix)
m <- new("dgCMatrix", i = c(0L, 1L, 2L, 6L, 8L, 0L, 1L, 2L, 5L, 6L,
7L, 0L, 1L, 2L, 7L, 3L, 4L, 3L, 4L, 5L, 6L, 1L, 4L, 5L, 6L, 0L,
1L, 4L, 5L, 6L, 8L, 10L, 1L, 2L, 7L, 0L, 6L, 8L, 9L, 10L, 6L,
9L, 10L), p = c(0L, 5L, 11L, 15L, 17L, 21L, 25L, 32L, 35L, 38L,
40L, 43L), Dim = c(11L, 11L), Dimnames = list(c("1", "2", "3",
"4", "5", "6", "7", "8", "9", "10", "11"), c("1", "2", "3", "4",
"5", "6", "7", "8", "9", "10", "11")), x = c(2, 1, 1, 1, 1, 1,
3, 2, 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 2, 2, 1, 1,
1, 2, 4, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2), factors = list())
system.time(for (i in 1:10000) m[7,c(1,5,6,7)] <- c(0,0,1,0))
在我的筆記本電腦上,這大約需要 7 秒。
[順便說一句,顯然我不會重復相同的操作 10000 次; 每次更新的行和列都會改變,但確實發生了很多次。 我執行上述操作是為了模擬在真實腳本中執行的操作,並獲得一個可測量的時間,該時間可以與可能出現的更快的解決方案進行比較。]
有什么想法/建議嗎?
附言
我過去也遇到過類似的問題,但情況不同; 而且我找不到它,因為我的活動歷史只能追溯到幾個月前。
編輯好的,我發現了如何檢索我所有的舊帖子,並發現我在這里描述的問題沒有被涵蓋。
編輯 2 - 跟進與 pseudospin 的討論/建議
require(Matrix)
require(data.table)
m <- new("dgCMatrix", i = c(0L, 1L, 2L, 6L, 8L, 0L, 1L, 2L, 5L, 6L,
7L, 0L, 1L, 2L, 7L, 3L, 4L, 3L, 4L, 5L, 6L, 1L, 4L, 5L, 6L, 0L,
1L, 4L, 5L, 6L, 8L, 10L, 1L, 2L, 7L, 0L, 6L, 8L, 9L, 10L, 6L,
9L, 10L), p = c(0L, 5L, 11L, 15L, 17L, 21L, 25L, 32L, 35L, 38L,
40L, 43L), Dim = c(11L, 11L), Dimnames = list(c("1", "2", "3",
"4", "5", "6", "7", "8", "9", "10", "11"), c("1", "2", "3", "4",
"5", "6", "7", "8", "9", "10", "11")), x = c(2, 1, 1, 1, 1, 1,
3, 2, 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 2, 2, 1, 1,
1, 2, 4, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2), factors = list())
ms <- summary(m)
ms <- ms[order(ms$i,ms$j),]
msdt <- data.table(ms)
time_1 <- system.time(for (i in 1:5000) m[7,c(1,5,7,9)] <- c(0,0,1,0))
cat("\ntime_1 =", time_1)
time_2 <- system.time(for (i in 1:5000) ms[(ms$i == 7) & (ms$j %in% c(1,5,7,9)),"x"] <- c(0,0,1,0))
cat("\ntime_2 =", time_2)
time_3 <- system.time(for (i in 1:5000) msdt[(i == 7) & (j %in% c(1,5,7,9)),"x" := c(0,0,1,0)])
cat("\ntime_3 =", time_3)
這給了:
time_1 = 2.86 0 2.86 NA NA
time_2 = 0.23 0 0.24 NA NA
time_3 = 1.2 0.02 1.22 NA NA
不過,也許這個示例具有誤導性,因為通常我的i
和j
的最大值會更高,因此對data.table
進行子集化可能比對data.frame
進行子集化更有效。
用我的真實數據進行測試...
編輯 3 - 使用真實數據進行試驗,包括測試 GKi 建議的密集矩陣方法
真實數據(此處太大,無法粘貼): m
是一個稀疏的 5828 x 5828 矩陣; 302986 / 33965584 = 0.9% 被填充(因此稀疏)。 它占用 4.4 MB。 對應的密集矩陣dm = as.matrix(m)
占用 272.5 MB。
測試sparseMatrix
(1)、 data.frame
(2)、 data.table
(3)和dense matrix(4)更新方法顯示如下:
time_1 = 10.25 3.19 13.72 NA NA
time_2 = 41.32 10.94 52.52 NA NA
time_3 = 35.64 7.44 43.34 NA NA
time_4 = 0.05 0.03 0.08 NA NA
因此,與 GKi 的結果一致,密集矩陣方法是迄今為止最快的,但代價是巨大的 memory 存儲。
另一方面,最初使用的模擬數據對sparseMatrix
方法給出了非常不同的結果,而在這 4 種方法中,實際數據卻是第二快的。
不幸的是,它看起來像一個 catch-22 情況:要進行快速編輯,我需要使用密集矩陣,但是密集矩陣需要太多 memory,所以我需要使用稀疏矩陣,但是編輯起來很慢:(
也許我需要重新考慮 pseudospin 的原始建議,並為矩陣的每一行使用稀疏向量。 為此,我需要了解如何通過間接引用(字符串)來引用存儲的R
object。
不同方法的比較。 請注意,方法DataFrame 、 DataTable和FastMatch僅在您覆蓋稀疏矩陣中的現有值時有效,但在插入新值時無效。
library(microbenchmark)
microbenchmark(list = fun, control=list(order="block"))
#Unit: microseconds
# expr min lq mean median uq max neval cld
# SparseMatrix 618.307 623.1795 639.38102 627.2525 643.3895 1021.301 100 e
# DenseMatrix 1.178 1.2210 1.36957 1.2635 1.3435 7.060 100 a
# Slam 259.703 264.3945 270.57151 265.9780 268.0745 426.610 100 c
# Spray 422.129 427.1310 463.21071 434.0705 440.6025 2880.787 100 d
# DataFrame 37.031 37.7910 38.98143 38.1660 38.6255 73.283 100 b
# DataFrameB 16.928 17.4480 17.85553 17.6910 18.0155 28.859 100 ab
# DataFrameC 21.007 21.7170 22.68689 21.9600 22.3735 38.175 100 ab
# DataTable 283.409 288.5710 299.43498 292.8395 301.1255 500.484 100 c
# FastMatch 40.138 40.7885 42.33623 41.2165 41.6575 82.274 100 b
# List 2.703 2.7900 3.28163 2.8535 2.9770 13.375 100 a
# Environment 2.157 2.2055 2.29915 2.2575 2.3340 4.211 100 a
library(bench)
mark(exprs = fun, check = FALSE)
## A tibble: 11 x 13
# expression min median `itr/sec` mem_alloc `gc/sec` n_itr n_gc
# <bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <dbl> <int> <dbl>
# 1 SparseMatrix 624.43µs 651.98µs 1487. 1.65KB 10.4 712 5
# 2 DenseMatrix 1.61µs 1.86µs 490003. 0B 49.0 9999 1
# 3 Slam 261.46µs 271.96µs 3606. 7.2KB 8.24 1750 4
# 4 Spray 424.08µs 439.86µs 2206. 8.16KB 10.4 1063 5
# 5 DataFrame 37.26µs 40.03µs 24378. 2.08KB 9.75 9996 4
# 6 DataFrameB 18.25µs 19.72µs 49447. 1.7KB 9.89 9998 2
# 7 DataFrameC 22.72µs 24.82µs 39142. 840B 11.7 9997 3
# 8 DataTable 288.24µs 300.25µs 3252. 18.34KB 8.24 1579 4
# 9 FastMatch 41.05µs 43.73µs 22292. 2.46KB 11.2 9995 5
#10 List 3.4µs 3.71µs 257225. 0B 25.7 9999 1
#11 Environment 2.82µs 3.11µs 306445. 0B 0 10000 0
方法:
fun <- alist(
SparseMatrix = m[7,c(1,5,6,7)] <- c(0,0,1,0)
, DenseMatrix = dm[7,c(1,5,6,7)] <- c(0,0,1,0)
, Slam = slm[7,c(1,5,6,7)] <- c(0,0,1,0)
, Spray = spm[7,c(1,5,6,7)] <- c(0,0,1,0)
, DataFrame = ms[(ms$j == 7) & (ms$i %in% c(1,5,6,7)),"x"] <- c(0,0,1,0)
, DataFrameB = ms$x[(ms$j == 7) & (ms$i %in% c(1,5,6,7))] <- c(0,0,1,0)
, DataFrameC = {i <- which(ms$j == 7); ms$x[i[ms$i[i] %in% c(1,5,6,7)]] <- c(0,0,1,0)}
, DataTable = msdt[(j == 7) & (i %in% c(1,5,6,7)),"x" := c(0,0,1,0)]
, FastMatch = mf[mf$j %fin% 7 & (mf$i %fin% c(1,5,6,7)),"x"] <- c(0,0,1,0)
, List = ml[["7"]][c("1","5","6","7")] <- c(0,0,1,0)
, Environment = me[["7"]][c("1","5","6","7")] <- c(0,0,1,0)
)
數據:
library(Matrix)
m <- new("dgCMatrix", i = c(0L, 1L, 2L, 6L, 8L, 0L, 1L, 2L, 5L, 6L,
7L, 0L, 1L, 2L, 7L, 3L, 4L, 3L, 4L, 5L, 6L, 1L, 4L, 5L, 6L, 0L,
1L, 4L, 5L, 6L, 8L, 10L, 1L, 2L, 7L, 0L, 6L, 8L, 9L, 10L, 6L,
9L, 10L), p = c(0L, 5L, 11L, 15L, 17L, 21L, 25L, 32L, 35L, 38L,
40L, 43L), Dim = c(11L, 11L), Dimnames = list(c("1", "2", "3",
"4", "5", "6", "7", "8", "9", "10", "11"), c("1", "2", "3", "4",
"5", "6", "7", "8", "9", "10", "11")), x = c(2, 1, 1, 1, 1, 1,
3, 2, 1, 1, 1, 1, 2, 2, 1, 1, 1, 1, 2, 1, 1, 1, 1, 2, 2, 1, 1,
1, 2, 4, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2), factors = list())
dm <- as.matrix(m) #Dense Matrix
library(slam)
slm <- as.simple_sparse_array(dm)
library(spray)
spm <- as.spray(dm)
ms <- summary(m)
ms <- ms[order(ms$i,ms$j),]
library(data.table)
msdt <- data.table(ms)
library(fastmatch)
mf <- ms
ml <- split(setNames(ms$x, ms$j), ms$i)
me <- list2env(ml, hash = TRUE)
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.