一个很大的矩阵, 37 行, 8189列,假如用一个全为0的普通矩阵来存储,需要用到9.8Gb
cols 8189
rows 37
mat matrix(data = 0, nrow=37, ncol = 8189)
print(object.size(mat), unit="GB")
# 19.5 Gb
mat matrix(data = 0L, nrow=37, ncol = 8189)
print(object.size(mat), unit="GB")
# 9.8 Gb这里的0其实也要区分
这里的0L
表示数据类型是integer
,默认是numeric
. 这两者最大的区别在于,当你用37L*8189L
,你会得到一个NA,而37*8189
不会
如果用稀疏矩阵保存的话
mat Matrix(data = 0L, nrow=37, ncol = 8189, sparse = TRUE)
print(object.size(mat), unit="GB")
#0 Gb
dim(mat)
#[1] 37 8189
虽然行列数一样,但是稀疏矩阵几乎不占用任何内存。而且普通矩阵支持的运算,比如说求行和,求列和,提取元素的操作,在稀疏矩阵矩阵也是可以的,只不过会多花一点点时间而已。同时还有很多R包支持稀疏矩阵,比如说glmnet
,一个做lasso回归的R包。
虽然看起来稀疏矩阵很美好,但是在R语言中那么大的稀疏矩阵的部分操作会出错
> mat2 mat + 1
Error in asMethod(object) :
Cholmod error 'problem too large' at file ../Core/cholmod_dense.c, line 105
即便是我想把它用as.matrix
转回普通矩阵,它也报错了
> mat3 Matrix::as.matrix(mat)
Error in asMethod(object) :
Cholmod error 'problem too large' at file ../Core/cholmod_dense.c, line 105
既然现成的as.matrix
无法处理,那怎么办呢?最简单粗暴的方法就是新建一个普通矩阵,然后对稀疏矩阵进行遍历,将稀疏矩阵的值挨个放回到的普通矩阵上。
mat2 matrix(data = 0, nrow=37, ncol = 8189)
for (i in seq_len(nrow(mat))){
for (j in seq_len(ncol(mat))){
mat2[i,j] mat[i,j]
}
}
那么这大概要多少时间呢?反正我的电脑跑了2个小时也没有跑完,所以你也别测试了。
那有没有办法可以加速呢?加速的方法就是减少for循环的次数,因为我们是一个稀疏矩阵,大部分的空间都是0,我们只需要将不为0的部分赋值给新矩阵即可。
这需要我们去了解下稀疏矩阵的数据结构
> str(mat)
Formal class 'dgCMatrix' [package "Matrix"] with 6 slots
..@ i : int(0)
..@ p : int [1:8190] 0 0 0 0 0 0 0 0 0 0 ...
..@ Dim : int [1:2] 37 8189
..@ Dimnames:List of 2
.. ..$ : NULL
.. ..$ : NULL
..@ x : num(0)
..@ factors : list()
@Dim
记录矩阵的维度信息,@Dimnames
记录行名和列名,@x
记录不为0的数值。@i
记录不为0的行索引,和@x
对应,这里全为0,所以不记录。@p
比较复杂,并不是简单的记录不为0值的列索引,看文档也不知道是啥,不过通过检索可以找到它和不为0值的列索引的换算关系。
因此代码优化为
row_pos mat@i+1
col_pos findInterval(seq(mat@x)-1,mat@p[-1])+1
val mat@x
for (i in seq_along(val)){
tmp[row_pos[i],col_pos[i]] val[i]
}
可以将其封装为一个函数
as_matrix function(mat){
tmp matrix(data=0L, nrow = mat@Dim[1], ncol = mat@Dim[2])
row_pos mat@i+1
col_pos findInterval(seq(mat@x)-1,mat@p[-1])+1
val mat@x
for (i in seq_along(val)){
tmp[row_pos[i],col_pos[i]] val[i]
}
row.names(tmp) mat@Dimnames[[1]]
colnames(tmp) mat@Dimnames[[2]]
return(tmp)
}
对于一个37 行, 8189列的矩阵,非零数值有80000000,我在服务器上的运行时间大概是2分钟
如果速度还需要提高,那么可能就需要Rcpp上场了. 代码可以阅读原文即可到我的博客观看。同样是测试一个37 行, 8189列,非零数值有80000000的稀疏的矩阵,我在服务器上的运行时间大概是40秒,速度又提高了3倍。
推荐阅读
8秒完成2万个基因的生存分析,人人都可以!