大矩阵和内存问题

Question

我正在处理一个庞大的数据集，我想推导出测试统计量的分布。因此，我需要使用巨大的矩阵 (200000x200000) 进行计算，正如您可能预测的那样，我有内存问题。更准确地说，我得到以下信息：错误：无法分配大小的向量...... Gb。我在 64 位版本的 R 上工作，我的 RAM 是 8Gb。我尝试使用包 bigmemory 但没有取得很大成功。

当我必须计算距离矩阵时，第一个问题就出现了。我在名为 Dist 的 amap 包中发现了这个很好的函数，它可以计算并行数据帧的列的距离，并且效果很好，但是它会生成下/上三角形。我需要距离矩阵来执行矩阵乘法，不幸的是我不能用矩阵的一半。当使用 as.matrix 函数将其填满时，我再次遇到内存问题。

所以我的问题是如何通过跳过 as.matrix 步骤将 dist 对象转换为 big.matrix 。我想这可能是一个 Rccp 问题，请记住，我是 Rccp 的新手。

提前谢谢！

Answer 1

将“dist”对象转换为“(big.)matrix”时： stats:::as.matrix.dist调用row、col和t运算符来创建大型中间对象。为了避免这些，您可以使用以下替代方法：

有数据：

nr = 1e4
m = matrix(runif(nr), nr, 10)
d = dist(m)

然后，慢慢地分配并填充一个“矩阵”：

#as.matrix(d) #this gives error on my machine
n = attr(d, "Size")
md = matrix(0, n, n) 
id = cumsum(c(1L, (n - 1L) - 0:(n - 2L))) #to split "d"
for(j in 1:(n - 1L)) {
    i = (j + 1L):n
    md[i, j] = md[j, i] = d[id[j]:(id[j] + (n - (j + 1L)))]
}

（似乎分配“md”同样big.matrix(n, n, init = 0)有效）

md[2:5, 1]
#[1] 2.64625973 2.01071637 0.09207748 0.09346157
d[1:4]
#[1] 2.64625973 2.01071637 0.09207748 0.09346157

使用较小的“nr”我们可以测试：

all.equal(as.matrix(md), as.matrix(d), check.attributes = FALSE)
#[1] TRUE