【发布时间】:2021-06-17 04:27:41
【问题描述】:
我使用combn() 来查找使用lubridate package 的两个日期/时间之间的重叠。但是combn() 太slow 无法处理我正在处理的大型数据集。我正在尝试使用来自RcppAlgos 包的comboGeneral(),但我无法让它工作。任何帮助,将不胜感激。如果您知道我应该查看的任何其他包/功能,请也告诉我。
get_overlap <- function(.data, .id, .start, .end) {
id <- .data[[.id]]
int <- interval(.data[[.start]], .data[[.end]])
names <- combn(id, 2, FUN = function(.) paste(., collapse = "-"))
setNames(combn(int, 2, function(.) intersect(.[1], .[2])), names)
}
get_overlap(dat, "id", "start", "end")
# a-b a-c a-d a-e b-c b-d b-e c-d c-e d-e
# 49 1 4 17 23 14 18 NA 2 NA
这是我使用 comboGeneral() 失败的尝试。
comboGeneral(dat$int, 2, FUN = function(.) intersect(.[1], .[2]))
# Output:
# [[1]]
# numeric(0)
#
# [[2]]
# numeric(0)
#
# [[3]]
# numeric(0)
# <omitted>
这是数据集:
dat <- structure(list(id = c("a", "b", "c", "d", "e"), start = structure(c(1623903457.7771,
1623903447.7771, 1623903505.7771, 1623903406.7771, 1623903489.7771
), class = c("POSIXct", "POSIXt")), end = structure(c(1623903506.7771,
1623903528.7771, 1623903543.7771, 1623903461.7771, 1623903507.7771
), class = c("POSIXct", "POSIXt"))), row.names = c(NA, -5L), class = c("tbl_df",
"tbl", "data.frame"))
更新:
感谢您迄今为止提出的所有重要建议!我使用我写得不好的函数做了一些基准测试。如果你能帮助进一步改进它,那就太好了。我会根据反馈再次更新。
请注意,comboIter 是comboIter_vector 的一部分,其中我包含了一种从C++ object 对象中提取值的机制。我想了解comboIter()的精益效率。
# Unit: microseconds
# expr min lq mean median uq max neval cld
# combn 36092.801 37000.251 40356.8080 37311.901 38112.1010 226049.201 100 d
# comboGeneral 33744.301 34608.702 36756.3749 35099.851 38738.6010 49378.301 100 c
# comboIter 447.401 568.601 634.2019 580.901 606.0505 5866.501 100 a
# comboIter_vector 38037.201 38823.301 39919.0570 39108.952 39562.5505 49880.101 100 cd
# data.table 7816.001 8007.201 8289.0060 8113.401 8230.5510 15489.201 100 b
# IRanges 6451.001 6806.751 7104.0659 6879.651 6994.9005 14415.301 100 b
代码如下:
library(lubridate)
library(RcppAlgos)
library(data.table)
library(IRanges)
# combn
get_overlap_combn <- function(.data) {
names <- combn(.data$id, 2, function(x) paste(x, collapse = "-"))
setNames(combn(interval(.data$start, .data$end), 2, function(x) intersect(x[1], x[2])), names)
}
get_overlap_combn(dat)
# comboGeneral
get_overlap_cpp1 <- function(.data) {
names <- unlist(comboGeneral(dat$id, 2,
FUN = function(x) paste(x, collapse = "-")))
int <- interval(.data$start, .data$end)
setNames(unlist(comboGeneral(seq_along(int), 2,
FUN = function(x) intersect(int[x[1]], int[x[2]]))), names)
}
get_overlap_cpp1(dat)
# comboIter
get_overlap_cpp2 <- function(.data) {
int <- interval(.data$start, .data$end)
comboIter(seq_along(int), 2,
FUN = function(x) as.double(intersect(int[x[1]], int[x[2]])))
}
get_overlap_cpp2(dat)
# C++ object <000002c2b172ee90> of class 'ComboFUN' <000002c2b16fcc90>
# comboIter_vector
get_overlap_cpp3 <- function(.data) {
int <- interval(.data$start, .data$end)
obj_name <- comboIter(.data$id, 2,
FUN = function(x) paste(x, collapse = "-"))
obj_int <- comboIter(seq_along(int), 2,
FUN = function(x) as.double(intersect(int[x[1]], int[x[2]])))
obj_length <- obj_int$summary()$totalResults
v <- vector("double", obj_length)
name <- vector("character", obj_length)
i <- 1
while (i <= obj_length) {
v[i] <- obj_int$nextIter()
name[i] <- obj_name$nextIter()
i <- i + 1
}
setNames(v, name)
}
get_overlap_cpp3(dat)
# data.table
get_overlap_dt <- function(.data) {
data <- .data
setDT(data)
setkey(data, start, end)
data <- foverlaps(data, data)[id != i.id]
dup <- duplicated(t(apply(data[, c("id", "i.id")], 1, sort)))
data <-
data[dup
][, `:=`(
overlap = as.double(intersect(interval(start, end), interval(i.start, i.end))),
name = paste(id, i.id, sep = "-")
)]
setNames(data$overlap, data$name)
}
get_overlap_dt(dat)
get_overlap_iranges <- function(.data) {
# setup the IRanges object
ir <- IRanges(as.numeric(.data$start), as.numeric(.data$end), names = .data$id)
# find which ids overlap with each other
ovrlp <- findOverlaps(ir, drop.self = TRUE, drop.redundant = TRUE)
# store id indices for further use
hit1 <- queryHits(ovrlp)
hit2 <- subjectHits(ovrlp)
# width of overlaps between ids
widths <- width(pintersect(ir[hit1], ir[hit2])) - 1
names(widths) <- paste(names(ir)[hit1], names(ir)[hit2], sep = "-")
widths
}
get_overlap_iranges(dat)
【问题讨论】:
-
RcppAlgos作者在这里。简短的回答是来自lubridate的值正在被转换为一个数字,并且正在被剥离任何其他类。为了解决这个问题,您可以像这样显式地对lubridate对象进行子集化:comboGeneral(seq_along(int), 2, FUN = function(x) intersect(int[x[1]], int[x[2]]))。我必须指出,当使用FUN参数时,会出现巨大的速度损失。此功能完全是为了方便。此处指出:jwood000.github.io/RcppAlgos/articles/… -
同样有趣的是,在
combn解决方案中,最终结果似乎正在转换为数字。 -
真正解决您的问题。由于您的数据很大,迭代器在这里可能很有用。您可以执行类似
overlap_iter <- comboIter(seq_along(int), 2, FUN = function(x) intersect(int[x[1]], int[x[2]]))的操作,并使用overlap_iter$nextNIter(n)一次迭代几个组合。这将保持较低的内存使用率。在此处查看更多信息:jwood000.github.io/RcppAlgos/articles/… -
非常感谢@JosephWood 的解释。非常有帮助!当我测试
comboIter()时我非常兴奋,但是当我添加从输出中提取向量的机制时,性能结果与comboGeneral()相似。我可能没有正确地做到这一点。我添加了一些基准测试的答案。如果您能给我一些指示,那就太好了。再次感谢。 -
哦,是的 - 我想要重叠时间的数量作为最终结果,而不是间隔,以提高内存效率。