r语言 - 创建大型协方差矩阵

Question

我需要创建~110个双精度大小为19347 x 19347的协方差矩阵，然后将它们全部相加。

这本身并不是很困难，对于较小的矩阵，以下代码工作正常。

covmat <- matrix(0, ncol=19347, nrow=19347)
files<-list.files("path/to/folder/")
for(name in files){
  text <- readLines(paste("path/to/folder/", name, sep=""),  n=19347, encoding="UTF-8")
   for(i in 1:19347){
    for(k in 1:19347){
      covmat[i, k]  <- covmat[i,k] + (as.numeric(text[i]) * as.numeric(text[k]))
    }
  }
}

为了节省内存，我不计算每个单独的矩阵，而是在循环遍历每个文件时将它们相加。

问题是当我在我需要使用的真实数据上运行它时，它花费的时间太长了。实际上没有那么多数据，但我认为这是一个 CPU 和内存密集型工作。因此，运行它 ~10 小时不会计算结果。

我已经考虑过尝试使用Map Reduce（AWS EMR），但我得出的结论是，我不认为这是一个Map Reduce问题，因为它不是一个大数据问题。但是，如果我只是做错了，这是我一直在玩的映射器和化简器的代码。

#Mapper
text <- readLines("stdin",  n=4, encoding="UTF-8")
covmat <- matrix(0, ncol=5, nrow=5)
for(i in 1:5){
  for(k in 1:5){
     covmat[i, k]  <- (as.numeric(text[i]) * as.numeric(text[k]))
  }
}
cat(covmat)
#Reducer
trimWhiteSpace <- function(line) gsub("(^ +)|( +$)", "", line)
splitIntoWords <- function(line) unlist(strsplit(line, "[[:space:]]+"))
final <- matrix(0, ncol=19347, nrow=19347)
## **** could wo with a single readLines or in blocks
con <- file("stdin", open = "r")
while (length(line <- readLines(con, n = 1, warn = FALSE)) > 0) {
    line <- trimWhiteSpace(line)
    words <- splitIntoWords(line)
    final <- final + matrix(as.numeric(words), ncol=19347, nrow=19347)
}
close(con)
cat(final)

谁能建议如何解决这个问题？

提前致谢

编辑

感谢下面一些评论者的大力帮助，我修改了代码，因此效率更高。

files<-list.files("path/to/file")
covmat <- matrix(0, ncol=19347, nrow = 19347)
for(name in files){
   invec <- scan(paste("path/to/file", name, sep=""))
   covmat <- covmat + outer(invec,invec, "*")
}

这是我尝试处理的文件的示例。

1       0.00114582882882883
2      -0.00792611711711709
...                     ...
19346  -0.00089507207207207
19347  -0.00704709909909909

在运行程序时，每个文件仍然需要~10分钟。有没有人对如何加快速度有任何建议？

我有 8GB 的 RAM，当程序运行时 R 只使用 4.5GB 的内存，并且有少量可用。

我运行的是 Mac OS X Snow Leopard 和 R 64 位 v. 2.15

Answer 1

我担心你循环中的逻辑。您正在计算的结果本质上是covmat + outer（in.vec）。

   text <- c("1", "5", "8")
    for(i in 1:3){
     for(k in 1:3){
       covmat[i, k]  <-  (as.numeric(text[i]) * as.numeric(text[k]))
     }
   }
 covmat
     [,1] [,2] [,3]
[1,]    1    5    8
[2,]    5   25   40
[3,]    8   40   64
 outer(as.numeric(text),as.numeric(text), "*")
     [,1] [,2] [,3]
[1,]    1    5    8
[2,]    5   25   40
[3,]    8   40   64

这并没有错，只是可以在 R 中大大简化的东西，如果这是你真正想要的，那么这个矢量化函数可以替换整个内部两个循环：

invec <- scan(paste("path/to/folder/", name, sep="")
covmat <- outer(invec,invec, "*")

您

还使用最外层的循环覆盖连续文件的每个结果，这不是您所说的要做的，因此您可能需要决定将这些矩阵存储在哪种数据结构中，自然选择是列表：

matlist <- list()
files<-list.files("path/to/folder/")
    for(name in files){
         invec <- scan(paste("path/to/folder/", name, sep="")
         covmat <- outer(invec,invec, "*")
         matlist[[name]] <- covmat
                      }

现在 'matlist' 应该有与该目录中的文件一样多的矩阵。您可以按名称或输入顺序访问它们。您可以使用以下方法检索名称：

names(matlist)

Answer 2

也许

covmat <- matrix(0, ncol=19347, nrow = 19347)
files <- paste("path/to/folder/", list.files("path/to/folder/"), sep = '')
for(name in files){
  vec <- scan(name,  nlines = 19347)
  mat <- outer(vec, vec, '*')
  covmat <- covmat + mat
}

我猜，但也许你真的想要这样的东西......

numFiles <- 110
mat <- matrix(0, ncol= numFiles, nrow = 19347)
files <- paste("path/to/folder/", list.files("path/to/folder/"), sep = '')
for(i in 1:numFiles){
  mat[i,] <- scan(files[i],  nlines = 19347)
}
covmat <- cov(mat)