快速滚动均值 + 汇总

Question

在 R 中，我尝试使用不同的窗口宽度对一个大向量（最多 400k 个元素）进行非常快速的滚动平均，然后为每个窗口宽度汇总每年的最大值。希望下面的例子很清楚。 我已经尝试了几种方法，到目前为止最快的方法似乎是使用 roll_mean 包中的 RcppRoll 来获取运行平均值，并使用 aggregate 来选择最大值。 请注意，内存需求是一个问题：下面的版本需要很少的内存，因为它一次只做一个滚动平均值和聚合；这是首选。

#Example data frame of 10k measurements from 2001 to 2014
n <- 100000
df <- data.frame(rawdata=rnorm(n),
                 year=sort(sample(2001:2014, size=n, replace=TRUE))
                 ) 

ww <- 1:120 #Vector of window widths

dfsumm <- as.data.frame(matrix(nrow=14, ncol=121))
dfsumm[,1] <- 2001:2014
colnames(dfsumm) <- c("year", paste0("D=", ww))

system.time(for (i in 1:length(ww)) {
  #Do the rolling mean for this ww
  df$tmp <- roll_mean(df$rawdata, ww[i], na.rm=TRUE, fill=NA)
  #Aggregate maxima for each year
  dfsumm[,i+1] <- aggregate(data=df, tmp ~ year, max)[,2]
}) #28s on my machine
dfsumm

这给出了所需的输出：data.frame，有 15 行（从 2001 年到 2015 年）和 120 列（窗口宽度），包含每个 ww 和每年的最大值。

但是，计算仍然需要很长时间（因为我必须计算数千个）。我尝试过使用其他选项，即dplyr 和data.table，但由于我对这些软件包缺乏了解，我无法更快地找到。

使用单核（代码已经在其他地方并行化）是最快的方法？

Answer 1

内存管理，即分配和复制，正在用你的方法杀死你。

这是一个 data.table 方法，它通过引用分配：

library(data.table)
setDT(df)
alloc.col(df, 200) #allocate sufficient columns

#assign rolling means in a loop
for (i in seq_along(ww)) 
  set(df, j = paste0("D", i),  value = roll_mean(df[["rawdata"]], 
                                        ww[i], na.rm=TRUE, fill=NA))

dfsumm <- df[, lapply(.SD, max, na.rm = TRUE), by = year] #aggregate

Answer 2

使用新的frollmean 函数（在 data.table v1.12.0 中添加）您可以执行以下操作

th = setDTthreads(1L)
df[, paste0("D",ww) := frollmean(rawdata, ww, na.rm=TRUE)]
dfsumm <- df[, lapply(.SD, max, na.rm=TRUE), by=year]
setDTthreads(th)

您应该考虑降低并行度，因为此用例在 frollmean 中得到了很好的并行化。分组操作也使用并行处理。

Answer 3

您创建的一个性能问题是使用 cbind 动态增长向量。您可以尝试预先分配预期的大小，然后使用dfsumm[x] <- y 填充它。