Как мне читать/записывать libsvm данные в/из R?
Формат libsvm - это редкие данные, например
<class/target>[ <attribute number>:<attribute value>]*
(cf. сжатое хранилище строк (CRS)), например,
1 10:3.4 123:0.5 34567:0.231
0.2 22:1 456:03
Я уверен, что я могу что-то взбить, но я бы скорее использовал что-то с полки. Однако R library foreign, похоже, не предоставляет необходимых функций.
e1071 находится с полки:install.packages("e1071")
library(e1071)
read.matrix.csr(...)
write.matrix.csr(...)
Примечание: она реализована в R, а не в C, поэтому она собака-медленная.
У него даже есть специальная виньетка Поддержка векторных машин - интерфейс для libsvm в пакете e1071.
r.vw в комплекте с vowpal_wabbit Примечание: она реализована в R, а не в C, поэтому она собака-медленная.
Я выполняю задание с использованием решения zygmuntz на наборе данных с 25k наблюдениями (строками) в течение почти 5 часов. Он сделал 3k-иш строк. Это длилось так долго, что я закодировал это тем временем (на основе кода zygmuntz):
require(Matrix)
read.libsvm = function( filename ) {
content = readLines( filename )
num_lines = length( content )
tomakemat = cbind(1:num_lines, -1, substr(content,1,1))
# loop over lines
makemat = rbind(tomakemat,
do.call(rbind,
lapply(1:num_lines, function(i){
# split by spaces, remove lines
line = as.vector( strsplit( content[i], ' ' )[[1]])
cbind(i, t(simplify2array(strsplit(line[-1],
':'))))
})))
class(makemat) = "numeric"
#browser()
yx = sparseMatrix(i = makemat[,1],
j = makemat[,2]+2,
x = makemat[,3])
return( yx )
}
Это выполнялось в минутах на одном компьютере (возможно, проблемы с памятью также были решены с помощью zygmuntz). Надеюсь, это поможет любому, у кого есть такая же проблема.
Помните, если вам нужно делать большие вычисления в R, VECTORIZE!
EDIT: исправлена ошибка индексации, которую я нашел сегодня утром.
Я придумал свое собственное специальное решение, использующее некоторые утилиты data.table,
Он практически не работал в тестовом наборе данных, который я нашел (данные о жилье в Бостоне).
Преобразуя это в data.table (ортогонально к решению, но добавляя сюда для легкой воспроизводимости):
library(data.table)
x = fread("/media/data_drive/housing.data.fw",
sep = "\n", header = FALSE)
#usually fixed-width conversion is harder, but everything here is numeric
columns = c("CRIM", "ZN", "INDUS", "CHAS",
"NOX", "RM", "AGE", "DIS", "RAD",
"TAX", "PTRATIO", "B", "LSTAT", "MEDV")
DT = with(x, fread(paste(gsub("\\s+", "\t", V1), collapse = "\n"),
header = FALSE, sep = "\t",
col.names = columns))
Вот он:
DT[ , fwrite(as.data.table(paste0(
MEDV, " | ", sapply(transpose(lapply(
names(.SD), function(jj)
paste0(jj, ":", get(jj)))),
paste, collapse = " "))),
"/path/to/output", col.names = FALSE, quote = FALSE),
.SDcols = !"MEDV"]
#what gets sent to as.data.table:
#[1] "24 | CRIM:0.00632 ZN:18 INDUS:2.31 CHAS:0 NOX:0.538 RM:6.575
# AGE:65.2 DIS:4.09 RAD:1 TAX:296 PTRATIO:15.3 B:396.9 LSTAT:4.98 MEDV:24"
#[2] "21.6 | CRIM:0.02731 ZN:0 INDUS:7.07 CHAS:0 NOX:0.469 RM:6.421
# AGE:78.9 DIS:4.9671 RAD:2 TAX:242 PTRATIO:17.8 B:396.9 LSTAT:9.14 MEDV:21.6"
# ...
Может быть, лучший способ понять это через fwrite, чем as.data.table, но я не могу думать об одном (до setDT работает на векторах).
Я повторил это, чтобы проверить его производительность на большем наборе данных (просто взорвите текущий набор данных):
DT2 = rbindlist(replicate(1000, DT, simplify = FALSE))
Операция была довольно быстрой по сравнению с некоторыми из приведенных здесь сообщений (я еще не потрудился сравнивать непосредственно):
system.time(.)
# user system elapsed
# 8.392 0.000 8.385
Я также тестировал, используя writeLines вместо fwrite, но последний был лучше.
Я снова смотрю и вижу, что это может занять некоторое время, чтобы понять, что происходит. Возможно, версия magrittr -piped будет проще:
DT[ ,
#1) prepend each column values with the column name
lapply(names(.SD), function(jj)
paste0(jj, ":", get(jj))) %>%
#2) transpose this list (using data.table fast tool)
# (was column-wise, now row-wise)
#3) concatenate columns, separated by " "
transpose %>% sapply(paste, collapse = " ") %>%
#4) prepend each row with the target value
# (with Vowpal Wabbit in mind, separate with a pipe)
paste0(MEDV, " | ", .) %>%
#5) convert this to a data.table to use fwrite
as.data.table %>%
#6) fwrite it; exclude nonsense column name,
# and force quotes off
fwrite("/path/to/data",
col.names = FALSE, quote = FALSE),
.SDcols = !"MEDV"]
чтение в таких файлах намного проще **
#quickly read data; don't split within lines
x = fread("/path/to/data", sep = "\n", header = FALSE)
#tstrsplit is transpose(strsplit(.))
dt1 = x[ , tstrsplit(V1, split = "[| :]+")]
#even columns have variable names
nms = c("target_name",
unlist(dt1[1L, seq(2L, ncol(dt1), by = 2L),
with = FALSE]))
#odd columns have values
DT = dt1[ , seq(1L, ncol(dt1), by = 2L), with = FALSE]
#add meaningful names
setnames(DT, nms)
** это не будет работать с "оборванными" /разреженными входными данными. Я не думаю, что есть способ расширить это, чтобы работать в таких случаях.
Попробуйте эти функции и примеры:
Функция для записи формата data.frame в svm light. Я добавил аргумент train = {TRUE, FALSE}, если у данных нет меток. В этом случае индекс класса игнорируется.
write.libsvm = function(data, filename= "out.dat", class = 1, train=TRUE) {
out = file(filename)
if(train){
writeLines(apply(data, 1, function(X) {
paste(X[class],
apply(cbind(which(X!=0)[-class],
X[which(X!=0)[-class]]),
1, paste, collapse=":"),
collapse=" ")
}), out)
} else {
# leaves 1 as default for the new data without predictions.
writeLines(apply(data, 1, function(X) {
paste('1',
apply(cbind(which(X!=0), X[which(X!=0)]), 1, paste, collapse=":"),
collapse=" ")
}), out)
}
close(out)
}
** РЕДАКТИРОВАТЬ **
library(data.table)
data.table.fm <- function (data = X, fileName = "../out.fm", target = "y_train",
train = TRUE) {
if (train) {
if (is.logical(data[[target]]) | sum(levels(factor(data[[target]])) ==
levels(factor(c(0, 1)))) == 2) {
data[[target]][data[[target]] == TRUE] = 1
data[[target]][data[[target]] == FALSE] = -1
}
}
specChar = "\\(|\\)|\\||\\:"
specCharSpace = "\\(|\\)|\\||\\:| "
parsingNames <- function(x) {
ret = c()
for (el in x) ret = append(ret, gsub(specCharSpace, "_",
el))
ret
}
parsingVar <- function(x, keepSpace, hard_parse) {
if (!keepSpace)
spch = specCharSpace
else spch = specChar
if (hard_parse)
gsub("(^_( *|_*)+)|(^_$)|(( *|_*)+_$)|( +_+ +)",
" ", gsub(specChar, "_", gsub("(^ +)|( +$)",
"", x)))
else gsub(spch, "_", x)
}
setnames(data, names(data), parsingNames(names(data)))
target = parsingNames(target)
format_vw <- function(column, formater) {
ifelse(as.logical(column), sprintf(formater, j, column),
"")
}
all_vars = names(data)[!names(data) %in% target]
cat("Reordering data.table if class isn't first\n")
target_inx = which(names(data) %in% target)
rest_inx = which(!names(data) %in% target)
cat("Adding Variable names to data.table\n")
for (j in rest_inx) {
column = data[[j]]
formater = "%s:%f"
set(data, i = NULL, j = j, value = format_vw(column,
formater))
cat(sprintf("Fixing %s\n", j))
}
data = data[, c(target_inx, rest_inx), with = FALSE]
drop_extra_space <- function(x) {
gsub(" {1,}", " ", x)
}
cat("Pasting data - Removing extra spaces\n")
data = apply(data, 1, function(x) drop_extra_space(paste(x,
collapse = " ")))
cat("Writing to disk\n")
write.table(data, file = fileName, sep = " ", row.names = FALSE,
col.names = FALSE, quote = FALSE)
}
Я пошел с решением с двумя переходами: сначала конвертируйте данные R в другой формат, а затем в LIBSVM:
Мой набор данных 200K x 500, и это заняло всего 3-5 минут.