素食主义者中的R大距离矩阵

Question

我运行 R 3.2.3 在一台有 128 GB RAM 的机器上。我有一个 123028 行 x 168 列的大矩阵。我想在 R 中使用层次聚类算法，所以在我这样做之前，我尝试使用 vegan 包中的 vegdist() 函数在 R 中创建一个距离矩阵，方法是 Bray-Curtis。我收到有关内存分配的错误消息：

df <- as.data.frame(matrix(rnorm(20668704), nrow = 123028))
library(vegan)
mydist <- vegdist(df)

Error in vegdist(df) : long vectors (argument 4) are not supported in .Fortran

如果我使用 pryr 包找出距离矩阵需要多少内存，我发现需要 121 GB，这比我拥有的 RAM 少。

library(pryr)
mem_change(x <- 1:123028^2)

121 GB

我知道 R 中的单个对象曾经有 20 亿个值的限制，但我认为该限制在最近版本的 R 中消失了。是否还有我不知道的其他内存限制？

最重要的是，我想知道：对于这个错误我能做些什么？真的是因为内存限制还是我错了？我想留在R中并使用除k-means之外的聚类算法，所以我需要计算一个距离矩阵。

Answer 1

R 可以很好地处理长向量，但距离矩阵计算似乎是用 C 或 Fortran 实现的，并使用 .C 或 .Fortran 与 R 接口，它们不接受长向量向量（即长度 > 2^32 -1 的向量）作为参数。请参阅文档 here，其中指出：

Note that the .C and .Fortran interfaces do not accept long vectors, so .Call (or similar) has to be used.

查看 vegdist() 函数的 source code，您的矩阵似乎正在转换为向量，然后传递给用 C 实现的函数以计算距离。相关代码行：

d <- .C("veg_distance", x = as.double(x), nr = N, nc = ncol(x), 
        d = double(N * (N - 1)/2), diag = as.integer(FALSE), 
        method = as.integer(method), NAOK = na.rm, PACKAGE = "vegan")$d

这就是你的问题。当你的矩阵转换为向量时，它变成了一个长向量，.C 不支持。您将不得不寻找一个不同的包来计算您的距离矩阵（或自己实现一个）。

素食主义者中的R大距离矩阵

R large distance matrix in vegan

memory

r

hierarchical-clustering

vegan