[英]Computing sparse pairwise distance matrix in R
我有一個NxM
矩陣,我想計算M
點之間的歐幾里德距離的NxN
矩陣。 在我的問題中, N
大約是100,000。 由於我計划將此矩陣用於k近鄰算法,我只需要保持k
最小距離,因此得到的NxN
矩陣非常稀疏。 這與dist()
結果形成對比,例如,這將導致密集的矩陣(並且可能存在我的尺寸N
存儲問題)。
我到目前為止找到的kNN包( knnflex
, kknn
等)似乎都使用密集矩陣。 此外, Matrix
包不提供成對距離功能。
更接近我的目標,我發現spam
包有一個nearest.dist()
函數,允許人們只考慮小於某個閾值的距離delta
。 然而,在我的情況下, delta
的特定值可能會產生太多的距離(因此我必須密集存儲NxN
矩陣)或距離太遠(因此我不能使用kNN)。
我之前已經看到過嘗試使用bigmemory/biganalytics
包執行k-means聚類的bigmemory/biganalytics
,但在這種情況下我似乎不能利用這些方法。
有人知道在R中以稀疏方式計算距離矩陣的函數/實現嗎? 我的(可怕的)備份計划是有兩個for
循環並將結果保存在Matrix
對象中。
好吧,我們不能讓你訴諸for循環,現在我們可以:)
當然存在如何表示稀疏矩陣的問題。 一種簡單的方法是讓它只包含最接近的點的索引(並根據需要重新計算)。 但是在下面的解決方案中,我將距離('d1'等)和索引('i1'等)放在一個矩陣中:
sparseDist <- function(m, k) {
m <- t(m)
n <- ncol(m)
d <- vapply( seq_len(n-1L), function(i) {
d<-colSums((m[, seq(i+1L, n), drop=FALSE]-m[,i])^2)
o<-sort.list(d, na.last=NA, method='quick')[seq_len(k)]
c(sqrt(d[o]), o+i)
}, numeric(2*k)
)
dimnames(d) <- list(c(paste('d', seq_len(k), sep=''),
paste('i', seq_len(k), sep='')), colnames(m)[-n])
d
}
嘗試9個2d點:
> m <- matrix(c(0,0, 1.1,0, 2,0, 0,1.2, 1.1,1.2, 2,1.2, 0,2, 1.1,2, 2,2),
9, byrow=TRUE, dimnames=list(letters[1:9], letters[24:25]))
> print(dist(m), digits=2)
a b c d e f g h
b 1.1
c 2.0 0.9
d 1.2 1.6 2.3
e 1.6 1.2 1.5 1.1
f 2.3 1.5 1.2 2.0 0.9
g 2.0 2.3 2.8 0.8 1.4 2.2
h 2.3 2.0 2.2 1.4 0.8 1.2 1.1
i 2.8 2.2 2.0 2.2 1.2 0.8 2.0 0.9
> print(sparseDist(m, 3), digits=2)
a b c d e f g h
d1 1.1 0.9 1.2 0.8 0.8 0.8 1.1 0.9
d2 1.2 1.2 1.5 1.1 0.9 1.2 2.0 NA
d3 1.6 1.5 2.0 1.4 1.2 2.2 NA NA
i1 2.0 3.0 6.0 7.0 8.0 9.0 8.0 9.0
i2 4.0 5.0 5.0 5.0 6.0 8.0 9.0 NA
i3 5.0 6.0 9.0 8.0 9.0 7.0 NA NA
並嘗試更大的問題(10k點)。 然而,在100k點和更多尺寸上,它將花費很長時間(例如15-30分鍾)。
n<-1e4; m<-3; m=matrix(runif(n*m), n)
system.time( d <- sparseDist(m, 3) ) # 9 seconds on my machine...
PS剛剛注意到你在我寫這篇文章時發布了一個答案:這里的解決方案速度大約是其兩倍,因為它不會計算兩次相同的距離(點1和13之間的距離與點13和1之間的距離相同) 。
現在我使用以下內容,靈感來自這個答案 。 輸出是nxk
矩陣,其中元素(i,k)
是最靠近i
第k
個數據點的索引。
n <- 10
d <- 3
x <- matrix(rnorm(n * d), ncol = n)
min.k.dists <- function(x,k=5) {
apply(x,2,function(r) {
b <- colSums((x - r)^2)
o <- order(b)
o[1:k]
})
}
min.k.dists(x) # first row should be 1:ncol(x); these points have distance 0
dist(t(x)) # can check answer against this
如果一個人擔心如何處理關系以及諸如此類的事情,那么也許應該將rank()
納入其中。
上面的代碼似乎有點快,但我確信它可以改進(雖然我沒有時間去C
或fortran
路線)。 所以我仍然對上面的快速和稀疏實現持開放態度。
下面我添加了一個我最終使用的並行版本:
min.k.dists <- function(x,k=5,cores=1) {
require(multicore)
xx <- as.list(as.data.frame(x))
names(xx) <- c()
m <- mclapply(xx,function(r) {
b <- colSums((x - r)^2)
o <- order(b)
o[1:k]
},mc.cores=cores)
t(do.call(rbind,m))
}
如果您想保留min.k.dist函數的邏輯並返回重復的距離,您可能需要考慮稍微修改它。 返回0行距離的第一行似乎毫無意義,對吧? ...通過在我的其他答案中加入一些技巧,你可以將你的版本加速約30%:
min.k.dists2 <- function(x, k=4L) {
k <- max(2L, k + 1L)
apply(x, 2, function(r) {
sort.list(colSums((x - r)^2), na.last=NA, method='quick')[2:k]
})
}
> n<-1e4; m<-3; m=matrix(runif(n*m), n)
> system.time(d <- min.k.dists(t(m), 4)) #To get 3 nearest neighbours and itself
user system elapsed
17.26 0.00 17.30
> system.time(d <- min.k.dists2(t(m), 3)) #To get 3 nearest neighbours
user system elapsed
12.7 0.0 12.7
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.