加速集群/热图创建

Question

我正在对一个相当小的矩阵（5000 行 x 200 列）进行聚类并制作热图，但我发现使用 R 中的标准 heatmap 类函数需要很长时间。示例：

data <- replicate(5000, rnorm(200)) 
aheatmap(data, dist="correlation")

（这是使用 NMF 包中的 aheatmap：http://cran.r-project.org/web/packages/NMF/index.html）

如果使用euclidean 而不是correlation 距离，结果似乎要快一些。有没有办法加快这个速度？

为了澄清我只对聚集列而不是行感兴趣，所以我经常传递 aheatmap 参数 Rowv=FALSE

Answer 1

您的问题是您在dist 中进行的比较比您想象的要多得多。您正在计算 5000 选择 2，而不是 200 选择 2 比较。也许这不是您想要的，但它正在代码中这样做。

正如@Roland 所指出的，大部分时间都花在dist 上，这进一步说明了问题所在。这是我机器上的示例：

data <- replicate(1500, rnorm(200)) 
system.time(aheatmap(data, dist="correlation"))
   user  system elapsed 
  27.69    0.64   28.33 
system.time(dist(1 - cor(data))) # A line that is in aheatmap
   user  system elapsed 
  21.26    0.02   21.28 

dist 函数是用 R 中的 C 函数实现的，所以你会期望它很快。

当你运行cor(data) 时，它会给你一个 5000x5000 的矩阵，（或者在我较小的测试用例中是 1500x1500），然后由dist 使用。这意味着我的电脑正在计算

choose(1500,2) / 21
[1] 53535.71

大约每秒 53535.71 次比较，我认为这相当快。除非您减少进行比较的次数，否则不会有太大的不同。

---

如果您想停止计算 5000 列的聚类，可以将 NA 传递给 Colv 参数，如 ?aheatmap 中所述。

aheatmap(data,distfun="correlation",Rowv=NA) # No clustering on rows.
aheatmap(data,distfun="correlation",Colv=NA) # No clustering on columns.

值得注意的是，传递FALSE 仍然会计算树状图（慢速部分），但不会显示它，而NA 甚至不会计算树状图。

Answer 2

您可以做的一件简单的事情是（至少在随机数据方面）是切换列和行：

data <- replicate(200, rnorm(2000)) 
system.time(aheatmap(data, dist="euclidean",Colv=F))
user 15.048 sys  0.028 elapsed 15.370 

data <- replicate(2000, rnorm(200)) 
system.time(aheatmap(data, dist="euclidean",Rowv=F))
user 19.508 sys  0.164 elapsed 22.043

似乎有一致的收益。

该函数似乎没有在文档中提供任何关于使其更快的内容，而且我自己也没有使用该函数/包的经验。