提问人:Joseph Yourine 提问时间:2/1/2016 最后编辑:Joseph Yourine 更新时间:2/2/2016 访问量:768
Clojure : Group-by 太慢(1300 万行文件)
Clojure : Group-by too slow (13 million-lines file)
问:
情况
我有一个 1300 万行的 CSV,我想对每个组执行逻辑回归 (incanter)。 我的文件就是这样(值只是示例)
ID Max Probability
1 1 0.5
1 5 0.6
1 10 0.99
2 1 0.1
2 7 0.95
所以我首先用csv阅读器阅读它,everithing很好。
然后我有这样的东西:
( {"Id" "1", "Max" 1, "Probability" 0.5} {"Id" "1", "Max" 5, "Probability" 0.6} etc.
我想按 Id 对这些值进行分组,如果我没记错的话,大约有 12 百万个 Id。(我用 pandas 在 Python 中做到了,而且速度超快)
这是我读取和格式化文件的功能(它在较小的数据集上工作正常):
(defn read-file
[]
(let [path (:path-file @config)
content-csv (take-csv path \,)]
(->> (group-by :Id content-csv)
(map (fn [[k v]]
[k {:x (mapv :Max v) :y (mapv :Probability v)}]))
(into {}))))
我最终想要这样的东西来执行逻辑回归(我对此很灵活,不需要 :x 和 :y 的向量,seqs 就可以了)
{"1" {:x [1 5 10] :y [0.5 0.6 0.99]} "2" {:x [1 7] :y [0.1 0.95]} etc.
问题
我在分组操作中遇到了问题。我在 CSV 的输出上单独尝试了它,当它不会因为 Java 堆空间内存而消失时,这将永远花费。 我以为问题出在我的mapv上,但这是分组。
我考虑过使用reduce或reduce-kv,但我不知道如何将这些函数用于这种目的。
我不在乎“:x”和“:y”的顺序(只要它们之间相同,我的意思是 x 和 y 具有相同的索引......不是问题,因为它们在同一行上)和最终结果的 ID,我阅读了分组保持顺序。 也许这就是手术成本高昂的?
如果有人遇到过这种情况,我会给你样本数据:
(def sample '({"Id" "1" "Max" 1 "Probability" 0.5} {"Id" "1" "Max" 5 "Probability" 0.6} {"Id" "1" "Max" 10 "Probability" 0.99} {"Id" "2" "Max" 1 "Probability" 0.1} {"Id" "2" "Max" 7 "Probability" 0.95}))
其他选择
我有其他想法,但我不确定它们是否对“Clojure”友好。
在 Python 中,由于函数的性质和文件已经排序,我没有使用 group-by,而是在数据帧中为每个组编写了开始和结束索引,这样我只需要直接选择子数据选项卡。
我还可以加载 ID 列表,而不是从 Clojure 计算它。 喜欢
(def ids '(“1”, “2” 等。
所以也许可以从以下方面开始:
{"1" {:x [] :y []} "2" {:x [] :y []} etc.
从上一个序列,然后匹配每个 ID 上的大文件。
我不知道它是否实际上更有效率。
我有所有其他逻辑回归函数,我只是缺少这部分! 谢谢!
编辑
感谢您的回答,我终于有了这个解决方案。
在我的project.clj文件中
:jvm-opts ["-Xmx13g"])
法典:
(defn data-group->map [group]
{(:Id (first group))
{:x (map :Max group)
:y (map :Probability group)}})
(defn prob-cumsum [data]
(cag/fmap
(fn [x]
(assoc x :y (reductions + (x :y))))
data))
(defn process-data-splitter [data]
(->> (partition-by :Id data)
(map data-group->map)
(into {})
(prob-cumsum)))
我打包了我所有的代码,它有效。拆分大约需要 5 分钟,但我不需要超高速。用于文件读取的内存使用量可以上升到所有内存,而 sigmoid 的内存使用量可以减少。
答:
如果您的文件按 ID 排序,则可以使用 代替 .partition-by
group-by
那么你的代码将如下所示:
(defn data-group->map [group]
[(:Id (first group))
{:x (mapv :Max group)
:y (mapv :Probability group)}])
(defn read-file []
(let [path (:path-file @config)
content-csv (take-csv path \,)]
(->> content-csv
(partition-by :Id)
(map data-group->map)
(into {}))))
这应该会加快速度。 然后,您可以使用换能器使其更快
(defn read-file []
(let [path (:path-file @config)
content-csv (take-csv path \,)]
(into {} (comp (partition-by :Id)
(map data-group->map))
content-csv)))
让我们做一些测试:
首先生成像您这样的海量数据:
(def huge-data
(doall (mapcat #(repeat
1000000
{:Id % :Max 1 :Probability 10})
(range 10))))
我们有 1000 万个项目数据集,有 million of 、 million of 等等。{:Id 0 :Max 1 :Probability 10}
{:Id 1 :Max 1 :Probability 10}
现在要测试的函数:
(defn process-data-group-by [data]
(->> (group-by :Id data)
(map (fn [[k v]]
[k {:x (mapv :Max v) :y (mapv :Probability v)}]))
(into {})))
(defn process-data-partition-by [data]
(->> data
(partition-by :Id)
(map data-group->map)
(into {})))
(defn process-data-transducer [data]
(into {} (comp (partition-by :Id) (map data-group->map)) data))
现在是时间测试:
(do (time (dorun (process-data-group-by huge-data)))
(time (dorun (process-data-partition-by huge-data)))
(time (dorun (process-data-transducer huge-data))))
"Elapsed time: 3377.167645 msecs"
"Elapsed time: 3707.03448 msecs"
"Elapsed time: 1462.955152 msecs"
请注意,这会产生惰性序列,而 group-by 应该实现整个集合。因此,如果您需要逐组而不是整个地图的数据,则可以更快地删除和访问每个数据:partition-by
(into {})
(defn process-data-partition-by [data]
(->> data
(partition-by :Id)
(map data-group->map)))
检查:
user> (time (def processed-data (process-data-partition-by huge-data)))
"Elapsed time: 0.06079 msecs"
#'user/processed-data
user> (time (let [f (first processed-data)]))
"Elapsed time: 302.200571 msecs"
nil
user> (time (let [f (second processed-data)]))
"Elapsed time: 500.597153 msecs"
nil
user> (time (let [f (last processed-data)]))
"Elapsed time: 2924.588625 msecs"
nil
user.core> (time (let [f (last processed-data)]))
"Elapsed time: 0.037646 msecs"
nil
评论
Xmx
评论