记忆和矢量化自定义函数

Question

我想知道如何在 R 中对自定义函数进行矢量化和记忆。似乎 我的思维方式与 R 的操作方式不一致。所以，我很高兴 欢迎任何指向好的阅读材料的链接。例如，R inferno 是一个不错的 资源，但它并没有帮助弄清楚 R 中的记忆。

更一般地说，您能否提供memoise 的相关用法示例 还是R.cache 包？

我还没有找到关于这个主题的任何其他讨论。搜索 r-bloggers.com 上的“memoise”或“memoize”返回零结果。搜索 对于http://r-project.markmail.org/ 处的那些关键字不返回有用 讨论。我通过电子邮件发送了邮件列表，但没有收到完整的 回答。

我不仅仅对记忆 GC 函数感兴趣，而且我知道 Bioconductor和各种包装 那里有。

这是我的数据：

seqs <- c("","G","C","CCC","T","","TTCCT","","C","CTC")

缺少一些序列，所以它们是空白的""。

我有一个计算GC含量的函数：

> GC <- function(s) {
    if (!is.character(s)) return(NA)
    n <- nchar(s)
    if (n == 0) return(NA)
    m <- gregexpr('[GCSgcs]', s)[[1]]
    if (m[1] < 1) return(0)
    return(100.0 * length(m) / n)
}

有效：

> GC('')
[1] NA
> GC('G')
[1] 100
> GC('GAG')
[1] 66.66667
> sapply(seqs, GC)
                  G         C       CCC         T               TTCCT           
       NA 100.00000 100.00000 100.00000   0.00000        NA  40.00000        NA 
        C       CTC 
100.00000  66.66667

我想记住它。然后，我想对其进行矢量化。

显然，我使用memoise 或 R.cacheR 包：

> system.time(dummy <- sapply(rep(seqs,100), GC))
   user  system elapsed
  0.044   0.000   0.054
>
> library(memoise)
> GCm1 <- memoise(GC)
> system.time(dummy <- sapply(rep(seqs,100), GCm1))
   user  system elapsed
  0.164   0.000   0.173
>
> library(R.cache)
> GCm2 <- addMemoization(GC)
> system.time(dummy <- sapply(rep(seqs,100), GCm2))
   user  system elapsed
 10.601   0.252  10.926

请注意，记忆函数要慢几个数量级。

我尝试了hash 包，但事情似乎在后面发生 场景，我不明白输出。序列C 应该有一个 100 的值，而不是 NULL。

请注意，使用 has.key(s, cache) 而不是 exists(s, cache) 结果 在同一个输出中。此外，使用 cache[s] <<- result 而不是 cache[[s]] <<- result 产生相同的输出。

> cache <- hash()
> GCc <- function(s) {
    if (!is.character(s) || nchar(s) == 0) {
        return(NA)
    }
    if(exists(s, cache)) {
        return(cache[[s]])
    }
    result <- GC(s)
    cache[[s]] <<- result
    return(result)
}
> sapply(seqs,GCc)
[[1]]
[1] NA

$G
[1] 100

$C
NULL

$CCC
[1] 100

$T
NULL

[[6]]
[1] NA

$TTCCT
[1] 40

[[8]]
[1] NA

$C
NULL

$CTC
[1] 66.66667

至少我想出了如何矢量化：

> GCv <- Vectorize(GC)
> GCv(seqs)
                  G         C       CCC         T               TTCCT           
       NA 100.00000 100.00000 100.00000   0.00000        NA  40.00000        NA 
        C       CTC 
100.00000  66.66667 

相关的 stackoverflow 帖子：

• Options for caching / memoization / hashing in R

Answer 1

这并没有明确回答您的问题，但此功能比您的快约 4 倍。

GC2 <- function(s) {
  if(!is.character(s)) stop("'s' must be character")
  n <- nchar(s)
  m <- gregexpr('[GCSgcs]', s)
  len <- sapply(m, length)
  neg <- sapply(m, "[[", 1)
  len <- len*(neg > 0)
  len/n
}

Answer 2

虽然这不会让您在通话中记忆，但如果有相当多的重复，您可以使用因子来更快地进行单个通话。例如使用 Joshua 的 GC2（尽管我必须删除 fixed=T 才能使其工作）：

GC2 <- function(s) {
  if(!is.character(s)) stop("'s' must be character")
  n <- nchar(s)
  m <- gregexpr('[GCSgcs]', s)
  len <- sapply(m, length)
  neg <- sapply(m, "[[", 1)
  len <- len*(neg > 0)
  100.0 * len/n
}

可以轻松定义如下包装器：

GC3 <- function(s) {
  x <- factor(s)
  GC2(levels(x))[x]
}

system.time(GC2(rep(seqs, 50000)))
# user  system elapsed 
# 8.97    0.00    8.99 
system.time(GC3(rep(seqs, 50000)))
# user  system elapsed 
# 0.06    0.00    0.06