【发布时间】:2017-02-02 10:19:41
【问题描述】:
我想计算具有 30.000 个观测值的数据帧行之间的欧几里德距离。一个简单的方法是使用 dist 函数(例如 dist(data))。但是,由于我的数据框很大,这需要太多时间。
某些行包含缺失值。我不需要行之间的距离,其中两行都包含缺失值,或者行之间的距离,其中没有任何行包含缺失值。
在 for 循环中,我尝试排除不需要的组合。不幸的是,我的解决方案需要更多时间:
# Some example data
data <- data.frame(
x1 = c(1, 22, NA, NA, 15, 7, 10, 8, NA, 5),
x2 = c(11, 2, 7, 15, 1, 17, 11, 18, 5, 5),
x3 = c(21, 5, 6, NA, 10, 22, 12, 2, 12, 3),
x4 = c(13, NA, NA, 20, 12, 5, 1, 8, 7, 14)
)
# Measure speed of dist() function
start_time_dist <- Sys.time()
# Calculate euclidean distance with dist() function for complete dataset
dist_results <- dist(data)
end_time_dist <- Sys.time()
time_taken_dist <- end_time_dist - start_time_dist
# Measure speed of my own loop
start_time_own <- Sys.time()
# Calculate euclidean distance with my own loop only for specific cases
# # #
# The following code should be faster!
# # #
data_cc <- data[complete.cases(data), ]
data_miss <- data[complete.cases(data) == FALSE, ]
distance_list <- list()
for(i in 1:nrow(data_miss)) {
distances <- numeric()
for(j in 1:nrow(data_cc)) {
distances <- c(distances, dist(rbind(data_miss[i, ], data_cc[j, ]), method = "euclidean"))
}
distance_list[[i]] <- distances
}
end_time_own <- Sys.time()
time_taken_own <- end_time_own - start_time_own
# Compare speed of both calculations
time_taken_dist # 0.002001047 secs
time_taken_own # 0.01562881 secs
有没有更快的方法来计算我需要的欧几里得距离?
【问题讨论】:
-
dist 是用 C 实现的,当然它比 R for 循环快。你应该在 Rcpp 中实现你的循环。
-
感谢您的提示!我会尝试弄清楚这是如何工作的。
标签: r performance distance missing-data euclidean-distance