优化 R 代码，根据自定义距离函数创建距离矩阵

Question

我正在尝试根据自定义距离函数为字​​符串创建一个距离矩阵（用于聚类）。我在 6000 个单词的列表上运行了代码，并且自上 90 分钟以来它仍在运行。我有 8 GB RAM 和 Intel-i5，所以问题仅出在代码上。 这是我的代码：

library(stringdist)
#Calculate distance between two monograms/bigrams
stringdist2 <- function(word1, word2)
{
    #for bigrams - phrases with two words
    if (grepl(" ",word1)==TRUE) {
        #"Hello World" and "World Hello" are not so different for me
        d=min(stringdist(word1, word2),
        stringdist(word1, gsub(word2, 
                          pattern = "(.*) (.*)", 
                          repl="\\2,\\1")))
    }
    #for monograms(words)
    else{
        #add penalty of 5 points if first character is not same
        #brave and crave are more different than brave and bravery
        d=ifelse(substr(word1,1,1)==substr(word2,1,1),
                            stringdist(word1,word2),
                            stringdist(word1,word2)+5)
    }   
    d
}
#create distance matrix
stringdistmat2 = function(arr)
{
    mat = matrix(nrow = length(arr), ncol= length(arr))
    for (k in 1:(length(arr)-1))
    {
        for (j in k:(length(arr)-1))
        {           
            mat[j+1,k]  = stringdist2(arr[k],arr[j+1])      
        }
    }
    as.dist(mat)    
}

test = c("Hello World","World Hello", "Hello Word", "Cello Word")
mydmat = stringdistmat2(test)
> mydmat
  1 2 3
2 1    
3 1 2  
4 2 3 1

我认为问题可能是我使用循环而不是应用 - 但后来我发现在许多地方循环并不是那么低效。更重要的是，我不够熟练，无法使用 apply 我的循环是嵌套循环，例如 k in 1:n 和 j in k:n。我想知道是否还有其他可以优化的东西。

Answer 1

有趣的问题。所以一步一步来：

1 - stringdist 函数已经矢量化：

#> stringdist("byye", c('bzyte','byte'))
#[1] 2 1

#> stringdist(c('doggy','gadgy'), 'dodgy')
#[1] 1 2

但是如果给定两个长度相同的向量，stringdist 将导致在每个向量上并行循环（不会产生具有交叉结果的矩阵），就像 Map 会做的那样：

#> stringdist(c("byye","alllla"), c('bzyte','byte'))
#[1] 2 6

2 -重写你的函数，使你的新函数保留这个矢量化特征：

stringdistFast <- function(word1, word2)
{
    d1 = stringdist(word1, word2)
    d2 = stringdist(word1, gsub("(.+) (.+)", "\\2 \\1", word2))

    ifelse(d1==d2,d1+5*(substr(d1,1,1)!=substr(d2,1,1)),pmin(d1,d2))
}

它确实以同样的方式工作：

#> stringdistFast("byye", c('bzyte','byte'))
#[1] 2 1

#> stringdistFast("by ye", c('bzyte','byte','ye by'))
#[1] 3 2 0

3 - 重写 dismatrix 函数，只有一个循环循环并且只在三角形部分（没有outer 那里，它很慢！）：

stringdistmatFast <- function(test)
{
    m = diag(0, length(test))
    sapply(1:(length(test)-1), function(i)
    {
        m[,i] <<- c(rep(0,i), stringdistFast(test[i],test[(i+1):length(test)]))
    }) 

    `dimnames<-`(m + t(m), list(test,test))
}

4 -使用函数：

#> stringdistmatFast(test)
#            Hello World World Hello Hello Word Cello Word
#Hello World           0           0          1          2
#World Hello           0           0          1          2
#Hello Word            1           1          0          1
#Cello Word            2           2          1          0

Answer 2

循环确实非常低效，这里有一个简单的例子说明：

x=rnorm(1000000)
system.time({y1=sum(x)})
system.time({
        y2=0
        for(i in 1:length(x)){
                y2=y2+x[i]
        }
})

这是内部向量化函数 sum() 的简单比较，本质上只是在内部计算循环中所有元素的总和；第二个函数在 R 代码中做同样的事情，这使得它会一遍又一遍地调用另一个内部函数+，效率不高。

首先，您的用户定义函数存在一些错误/不一致。 这部分： gsub(word2, pattern = "(.*) (.*)", repl="\\2,\\1") 用逗号替换所有空格，这会自动将 +1 添加到距离分数（这是故意的吗？） 其次，您不要比较其中包含空格的字符串的首字母，因为这样只会执行函数的第一部分。即使只有第一个比较的单词包含空格也是如此，因此“Hello”和“Cello”的比较将被计算为比“Hello”和“Cello”更近的距离。

除此之外，您的代码似乎很容易矢量化，因为您使用的所有函数都已矢量化：stringdist()、grepl()、gsub()、substr() 等。基本上您对每个单词执行 3 次计算-pair：简单的'stringdist()'，交换单词的stringdist()（如果第一个单词有空格），以及第一个字母的简单比较，如果它们不同则加+5分。

这是以矢量化方式重现您的函数的代码，它使计算 300x300 矩阵的速度提高了大约 50 倍：

stringdist3<-function(words1,words2){
m1<-stringdist(words1,words2)
m2<-stringdist(words1,gsub(words2, 
                           pattern = "(.*) (.*)", 
                           repl="\\2,\\1"))
m=mapply(function(x,y) min(x,y),m1,m2)

m3<-5*(substr(words1,1,1)!=substr(words2,1,1) & !grepl(" ",words1))

m3+m
}
stringdistmat3 = function(arr){
        outer(arr,arr,function(x,y) stringdist3(x,y))
}
test = c("Hello World","World Hello", "Hello Word", "Cello Word")
arr=sample(test,size=300,replace=TRUE)
system.time({mat = stringdistmat2(arr)})
system.time({
        mat2=stringdistmat3(arr)
        })

Answer 3

我还试图创建一种替代方法来改进我的答案。基本上我删除了创建距离的函数并直接创建了距离矩阵。所以这就是我想出的。我知道这个解决方案可以改进。所以欢迎任何建议

strdistmat2 <- function(v1,v2,type="m"){
    #for monograms
    if (type=="m")  {
        penalty = sapply(substr(v1,1,1),stringdist,b=substr(v2,1,1)) * 5
        d = sum(sapply(v1,stringdist,b=v2),penalty)
    }
    #for bigrams
    else if(type=="b")  {       
        d1 = sapply(v1,stringdist,b=v2) 
        d2 = sapply(v1,stringdist,b=gsub(v2,pattern = "(.*) (.*)", repl="\\2 \\1"))
        d = pmin(d1,d2)
    }
    d
}

我比较了以下各种解决方案的时间。

> test = c("Hello World","World Hello", "Hello Word", "Cello Word")
> arr=sample(test,size=6000,replace=TRUE)
> system.time({mat=strdistmat2(arr,arr,"b")})
   user  system elapsed 
  96.89    1.63   70.36 
> system.time({mat2=stringdistmat3(arr)})
   user  system elapsed 
 469.40    5.69  439.96 
> system.time({mat3=stringdistmatFast(arr)})
   user  system elapsed 
  57.34    0.72   41.22 

因此——上校的回答是最快的。

根据实际数据，我的代码和 Maksim 代码都崩溃了，只有上校的答案有效。 这是结果

> system.time({mat3=stringdistmatFast(words)})
   user  system elapsed 
 314.63    1.78  291.94 

当我在实际数据上运行我的解决方案时 - 错误消息是 - 无法分配 684 MB 的向量 并在运行 Maksim 的解决方案时 - R 停止工作。