混合类型的Matlab数据结构 - 什么是时间+空间效率？

Question

我需要处理大量混合类型的表格数据 - 字符串和双精度。一个标准的问题，我想。 Matlab 中最好的数据结构是什么？

Cellarray 绝对不是答案。这是非常低效的内存。 （测试如下所示）。数据集（来自统计工具箱）的时间和空间效率非常低。这给我留下了 structarray 或数组结构。我对下面所有四个不同的时间和内存选项进行了测试，在我看来，数组结构是我测试的最佳选择。

我对 Matlab 比较陌生，坦率地说，这有点令人失望。无论如何 - 寻找关于我是否遗漏了什么，或者我的测试是否准确/合理的建议。除了访问/转换/内存使用之外，我是否遗漏了其他考虑因素，这些考虑因素可能会随着我使用这些东西编写更多代码而出现。 （仅供参考，我使用的是 R2010b）

** 测试 #1：访问速度 访问数据项。

cellarray:0.002s
dataset:36.665s       %<<< This is horrible
structarray:0.001s
struct of array:0.000s

** 测试 #2：转换速度和内存使用我从这个测试中删除了数据集。

Cellarray(doubles)->matrix:d->m: 0.865s
Cellarray(mixed)->structarray:c->sc: 0.268s
Cellarray(doubles)->structarray:d->sd: 0.430s
Cellarray(mixed)->struct of arrays:c->sac: 0.361s
Cellarray(doubles)->struct of arrays:d->sad: 0.887s
  Name           Size               Bytes  Class     Attributes
    c         100000x10            68000000  cell                
    d         100000x10            68000000  cell                
    m         100000x10             8000000  double              
    sac            1x1             38001240  struct              
    sad            1x1              8001240  struct              
    sc        100000x1             68000640  struct              
    sd        100000x1             68000640  struct  

================== 代码：测试#1

  %% cellarray
  c = cell(100000,10);
  c(:,[1,3,5,7,9]) = num2cell(zeros(100000,5));
  c(:,[2,4,6,8,10]) = repmat( {'asdf'}, 100000, 5);
  cols = strcat('Var', strtrim(cellstr(num2str((1:10)'))))';
  te = tic;
  for iii=1:1000
      x = c(1234,5);
  end
  te = toc(te);
  fprintf('cellarray:%0.3fs\n', te);
  %% dataset
  ds = dataset( { c, cols{:} } );
  te = tic;
  for iii=1:1000
      x = ds(1234,5);
  end
  te = toc(te);
  fprintf('dataset:%0.3fs\n', te);
  %% structarray
  s = cell2struct( c, cols, 2 );
  te = tic;
  for iii=1:1000
      x = s(1234).Var5;
  end
  te = toc(te);
  fprintf('structarray:%0.3fs\n', te);
  %% struct of arrays
  for iii=1:numel(cols)
      if iii/2==floor(iii/2) % even => string
          sac.(cols{iii}) = c(:,iii);
      else
          sac.(cols{iii}) = cell2mat(c(:,iii));
      end
  end
  te = tic;
  for iii=1:1000
      x = sac.Var5(1234);
  end
  te = toc(te);
  fprintf('struct of array:%0.3fs\n', te);

================== 代码：测试#2

%% cellarray
% c - cellarray containing mixed type 
c = cell(100000,10);
c(:,[1,3,5,7,9]) = num2cell(zeros(100000,5));
c(:,[2,4,6,8,10]) = repmat( {'asdf'}, 100000, 5);
cols = strcat('Var', strtrim(cellstr(num2str((1:10)'))))';
% c - cellarray containing doubles only
d = num2cell( zeros( 100000, 10 ) );
%% matrix
% doubles only
te = tic;
m = cell2mat(d);
te = toc(te);
fprintf('Cellarray(doubles)->matrix:d->m: %0.3fs\n', te);
%% structarray
% mixed
te = tic;
sc = cell2struct( c, cols, 2 );
te = toc(te);
fprintf('Cellarray(mixed)->structarray:c->sc: %0.3fs\n', te);
% doubles
te = tic;
sd = cell2struct( d, cols, 2 );
te = toc(te);
fprintf('Cellarray(doubles)->structarray:d->sd: %0.3fs\n', te);
%% struct of arrays
% mixed
te = tic;
for iii=1:numel(cols)
    if iii/2==floor(iii/2) % even => string
        sac.(cols{iii}) = c(:,iii);
    else
        sac.(cols{iii}) = cell2mat(c(:,iii));
    end
end
te = toc(te);
fprintf('Cellarray(mixed)->struct of arrays:c->sac: %0.3fs\n', te);
% doubles
te = tic;
for iii=1:numel(cols)
    sad.(cols{iii}) = cell2mat(d(:,iii));
end
te = toc(te);
fprintf('Cellarray(doubles)->struct of arrays:d->sad: %0.3fs\n', te);
%% 
clear iii cols te;
whos

Answer 1

使 Matlab 代码节省空间和时间的方法是使用大型基元数组 - 即双精度、整数或字符数组。这为您提供了更紧凑的内存布局，并允许您进行矢量化操作。

对于表格数据，每一列的类型都是同质的，但不同的列可能属于不同的类型，而且行数通常比列数多得多。而且您经常会对列的所有元素或列的掩码选择进行操作 - 比较或数学，这适用于矢量化操作。因此，将每一列存储为列数组，希望是基元。您可以将这些列粘贴在结构的字段或单元向量的元素中；在性能方面并不重要，结构形式将更具可读性并且看起来更像一个表格。将所有元素分解为自己的小型 mxarray 的二维元胞数组或其他数据结构将无法正常执行。

也就是说，如果您有一个 10,000 行 x 10 列的表，您希望有一个 10 长的元胞数组或 10 字段结构，其中每个字段或元素都包含一个 10,000 长的原始列向量。

dataset 对象对象基本上是一个围绕列数组结构的包装器，如前所述，卡在对象中。但是 Matlab 中的对象比常规结构和单元有更大的开销；您为每次访问它时的一个或多个方法调用付费。看看Is MATLAB OOP slow or am I doing something wrong?（完全披露：这是我的答案之一）。

您设置的测试并不表示 Matlab 代码的性能有多好，因为它正在执行标量单元素访问。也就是说，它在每次通过循环时为列和行元素访问付费。如果您的 Matlab 代码正在这样做，那么您已经不走运了。为了更快，您需要在循环之外弹出列 - 即将昂贵的列访问操作提升到外部循环或设置代码 - 然后执行矢量化操作（如+、==、'ismember 等）在整个列向量上，或循环遍历原始数值向量（JIT 可以优化）。如果你这样做，那么dataset 和其他基于对象的表格结构可以有不错的性能。

不幸的是，Matlab 中的字符串有点糟糕。你想远离牢房。你有几个选择。

• 如果列中的字符串长度大致相同，并且其中没有任何长字符串，则可以将字符串向量存储为二维char 数组。这是内存中的单个连续数组，比单元数组更节省空间，并且对于比较操作等可能更快。它也是 Matlab 的原生字符串表示形式之一，因此普通的字符串函数可以使用它。
• 如果字符串的基数较低（即，不同值的数量相对于元素总数而言很小），您可以将它们编码为“符号”，将它们存储为原始整数数组，这些整数是到不同字符串值的列表。 unique 和 ismember 函数可以帮助实现这些编码。只要您只是进行相等性测试而不是排序，这些编码的字符串列就会以数字速度运行。
• 我相信其中一个工具箱，可能是带有dataset 的那个，支持“分类器”或“分类”变量，它们基本上是低基数编码的现成实现。
• 不要为 Java 字符串烦恼；跨越 Matlab 到 Java 障碍的开销将使其成为净损失。
• 希望现在有人想出了别的办法。

如果您必须坚持使用 cellstr，请将它们作为 cellstr 列向量存储在上述结构中；这样，您只需在实际操作字符串列时支付单元格访问的费用。

Answer 2

我想说，如果您需要管理大量数据，那么 MATLAB 并不是最好的选择。寻找合适的数据库并最终将您需要的数据导入 MATLAB。

但是，如果您仍然打算使用 MATLAB，我仍然会选择 cellarrays，也就是说，如果您不需要以 fieldnames的形式对数据进行语法引用> 如结构。

使用元胞数组时，请记住每个元胞会产生 112 字节的开销。因此，我会为每一列创建一个单元格（不是每个标量双精度的单元格）：

c = cell(1,10);
c(1,1:2:10) = num2cell(rand(1e5,5),1);
c(1,2:2:10) = {cellstr(repmat('asdf', 100000, 1))};

和记忆方面（时间没有变化）：

Name           Size               Bytes  Class    Attributes
c              1x10            38000600  cell   

另外，你所说的数组结构通常被称为“标量”结构，而不是结构数组（或非标量结构）。

如果我没记错的话，当您开始嵌套字段时，结构的读/写性能往往会降低（不过我需要找到特定的线程）。