R中的缓存/记忆/散列选项

Question

我试图找到一种简单的方法来在 R 中使用类似 Perl 的散列函数（本质上是缓存），因为我打算同时进行 Perl 风格的散列并编写我自己的计算记忆。然而，其他人已经打败了我，并且有用于记忆的包。我挖掘的越多，我发现的越多，例如memoise 和R.cache，但它们之间的区别还不是很清楚。此外，除了使用 hash 包之外，还不清楚如何获得 Perl 风格的哈希（或 Python 风格的字典）并编写自己的 memoization，这似乎并不支持这两个 memoization 包。

由于我找不到关于 CRAN 或其他地方的信息来区分选项，也许这应该是关于 SO 的社区 wiki 问题：R 中的记忆和缓存选项有哪些，它们有什么区别？

---

作为比较的基础，这里列出了我找到的选项。另外，在我看来，这一切都依赖于散列，所以我也会注意散列选项。键/值存储有些相关，但会引发大量有关数据库系统（例如 BerkeleyDB、Redis、MemcacheDB 和scores of others）的蠕虫。

看起来选项是：

散列

• digest - 为任意 R 对象提供散列。

记忆

• memoise - 一个非常简单的函数记忆工具。
• R.cache - 提供了更多的记忆功能，但似乎有些功能缺少示例。

缓存

• hash - 提供类似于 Perl 的哈希和 Python 字典的缓存功能。

键/值存储

这些是 R 对象外部存储的基本选项。

• stashr
• filehash

检查点

• cacher - 这似乎更类似于 checkpointing。
• CodeDepends - 一个支持 cacher 并提供一些有用功能的 OmegaHat 项目。
• DMTCP（不是 R 包）- 似乎支持多种语言的检查点，a developer recently sought assistance testing DMTCP checkpointing in R。

其他

• Base R 支持：命名向量和列表、数据框的行和列名称以及环境中的项目名称。在我看来，使用列表有点笨拙。 （还有pairlist，但it is deprecated。）
• data.table 包支持快速查找数据表中的元素。

---

用例

虽然我最感兴趣的是了解这些选项，但我有两个基本用例：

1. 缓存：简单的字符串计数。 [注意：这不是 NLP 的，而是通用的，所以 NLP 库是矫枉过正的；表是不够的，因为我不想等到整个字符串集加载到内存中。 Perl 风格的散列在实用程序的正确级别。]
2. 巨大的计算记忆。

这些确实出现了，因为我是digging in to the profiling of some slooooow code，我真的很想计算简单的字符串，看看我是否可以通过记忆加快一些计算。能够对输入值进行哈希处理，即使我不记忆，也会让我看看记忆是否有帮助。

---

注意 1：CRAN Task View on Reproducible Research 列出了几个包（cacher 和 R.cache），但没有详细说明使用选项。

注 2：为了帮助其他人寻找相关代码，这里对一些作者或包进行了一些注解。一些作者使用 SO。 :)

• Dirk Eddelbuettel：digest - 许多其他软件包都依赖于此。
• Roger Peng：cacher、filehash、stashR - 这些以不同的方式解决不同的问题；更多软件包请参见Roger's site。
• Christopher Brown：hash - 似乎是一个有用的软件包，但不幸的是，ODG 的链接已关闭。
• Henrik Bengtsson：R.cache 和 Hadley Wickham：memoise -- 目前尚不清楚何时更喜欢一个包。

注意 3：有些人使用 memoise/memoisation 其他人使用 memoize/memoization。如果您正在四处寻找，请注意。 Henrik 使用“z”，Hadley 使用“s”。

Answer 1

我对@9​​87654321@ 不满意，因为它给我尝试使用的包的某些功能带来了“递归太深”的问题。有了R.cache，我的运气会更好。以下是我改编自 R.cache 文档的更多注释代码。该代码显示了不同的缓存选项：

# Workaround to avoid question when loading R.cache library
dir.create(path="~/.Rcache", showWarnings=F) 
library("R.cache")
setCacheRootPath(path="./.Rcache") # Create .Rcache at current working dir
# In case we need the cache path, but not used in this example.
cache.root = getCacheRootPath() 
simulate <- function(mean, sd) {
    # 1. Try to load cached data, if already generated
    key <- list(mean, sd)
    data <- loadCache(key)
    if (!is.null(data)) {
        cat("Loaded cached data\n")
        return(data);
    }
    # 2. If not available, generate it.
    cat("Generating data from scratch...")
    data <- rnorm(1000, mean=mean, sd=sd)
    Sys.sleep(1) # Emulate slow algorithm
    cat("ok\n")
    saveCache(data, key=key, comment="simulate()")
    data;
}
data <- simulate(2.3, 3.0)
data <- simulate(2.3, 3.5)
a = 2.3
b = 3.0
data <- simulate(a, b) # Will load cached data, params are checked by value
# Clean up
file.remove(findCache(key=list(2.3,3.0)))
file.remove(findCache(key=list(2.3,3.5)))

simulate2 <- function(mean, sd) {
    data <- rnorm(1000, mean=mean, sd=sd)
    Sys.sleep(1) # Emulate slow algorithm
    cat("Done generating data from scratch\n")
    data;
}
# Easy step to memoize a function
# aslo possible to resassign function name.
This would work with any functions from external packages. 
mzs <- addMemoization(simulate2)

data <- mzs(2.3, 3.0)
data <- mzs(2.3, 3.5)
data <- mzs(2.3, 3.0) # Will load cached data
# aslo possible to resassign function name.
# but different memoizations of the same 
# function will return the same cache result
# if input params are the same
simulate2 <- addMemoization(simulate2)
data <- simulate2(2.3, 3.0)

# If the expression being evaluated depends on
# "input" objects, then these must be be specified
# explicitly as "key" objects.
for (ii in 1:2) {
    for (kk in 1:3) {
        cat(sprintf("Iteration #%d:\n", kk))
        res <- evalWithMemoization({
            cat("Evaluating expression...")
            a <- kk
            Sys.sleep(1)
            cat("done\n")
            a
        }, key=list(kk=kk))
        # expressions inside 'res' are skipped on the repeated run
        print(res)
        # Sanity checks
        stopifnot(a == kk)
        # Clean up
        rm(a)
    } # for (kk ...)
} # for (ii ...)

Answer 2

与@biocyperman solution 相关。 R.cache 有一个包装函数，用于避免缓存的加载、保存和评估。查看修改后的函数：

R.cache 为加载、评估和保存提供了一个包装器。你可以像这样简化你的代码：

simulate <- function(mean, sd) {
key <- list(mean, sd)
data <- evalWithMemoization(key = key, expr = {
    cat("Generating data from scratch...")
    data <- rnorm(1000, mean=mean, sd=sd)
    Sys.sleep(1) # Emulate slow algorithm
    cat("ok\n")
    data})
}

Answer 3

对于字符串的简单计数（而不是使用table 或类似的），multiset 数据结构似乎很合适。 environment 对象可以用来模拟这个。

# Define the insert function for a multiset
msetInsert <- function(mset, s) {
    if (exists(s, mset, inherits=FALSE)) {
        mset[[s]] <- mset[[s]] + 1L
    } else {
        mset[[s]] <- 1L 
    }
}

# First we generate a bunch of strings
n <- 1e5L  # Total number of strings
nus <- 1e3L  # Number of unique strings
ustrs <- paste("Str", seq_len(nus))

set.seed(42)
strs <- sample(ustrs, n, replace=TRUE)


# Now we use an environment as our multiset    
mset <- new.env(TRUE, emptyenv()) # Ensure hashing is enabled

# ...and insert the strings one by one...
for (s in strs) {
    msetInsert(mset, s)
}

# Now we should have nus unique strings in the multiset    
identical(nus, length(mset))

# And the names should be correct
identical(sort(ustrs), sort(names(as.list(mset))))

# ...And an example of getting the count for a specific string
mset[["Str 3"]] # "Str 3" instance count (97)