Re: [問題] 製作dummy variable矩陣效能問題

[Wush978 (拒看低質媒體)]

你的問題，剛好等價於在文字探勘中建立document term matrix

ps. 給一段文字(一個字串)，用空格或其他符號切割後建立矩陣

感謝前面幾位板友的分享，不過我從這個角度切入問題後，

可以站在巨人的肩膀來解問題（也就是以下的程式跑得比較快，是因為套件作者寫的好）

目前我覺得R 裡面做這件事情比較好的套件是text2vec，

另一個小要點是輸出的矩陣，最好是sparse，因為你的資料大部分都是0，用sparse

matrix可以大幅度的加速與節省記憶體。

而且當你的球員名單越多人，加速的效果越明顯。

這是我用text2vec去處理你給的範例資料：

it <- itoken(data[[1]], tokenizer = word_tokenizer, progressbar = FALSE,
n_chunks = 10)
it2 <- itoken(data[[2]], tokenizer = word_tokenizer, progressbar = FALSE,
n_chunks = 10)
vocab <- create_vocabulary(player)
vectorizer <- vocab_vectorizer(vocab)
m1 <- create_dtm(it, vectorizer)
m2 <- create_dtm(it2, vectorizer)
m2@x[] <- -1
cbind(m1, m2)

這是與其他板友的方法的比較結果：

http://rpubs.com/wush978/345283

andrew43 大大的版本效能比較好

但是text2vec在打開平行處理之後，在我的電腦上可以比andrew43的方法再快一點






※ 引述《mowgur (PINNNNN)》之銘言：
: *[m- 問題: 當你想要問問題時，請使用這個類別。
:         建議先到 http://tinyurl.com/mnerchs 搜尋本板舊文。
: [問題類型]:
: 效能諮詢(我想讓R 跑更快)
: [軟體熟悉度]:
: 使用者(已經有用R 做過不少作品)
: [問題敘述]:
: 大家好 我的資料是紀錄籃球比賽每個play是哪5個進攻及防守球員在場上
: 想做的事情是: 假設總共有500位球員 做出一個n(750000) x p(1000)的矩陣
: 前500欄為進攻 後500欄為防守
: 矩陣內的元素為1代表球員在場上進攻(防守為-1) 不在場上為0
: 所以每列會有5個1及5個-1還有很多個0
: 資料大概長這樣
:         data$p.combination              data$p.com.allowed
: 1        A, B, C, D, E                   J, K, L, M, N
: 2        A, C, F, H, I                   K, L, M, N, O
: 3        C, D, X, Y, Z                   K, M, O, Q, R
: ...          ...                              ...
: 人名之間是用逗號和一個空格分開
: 用我自己寫的已經跑了快12小時還沒跑完
: 想請教版上各位大大有沒有更好的寫法
: [程式範例]:
: https://ideone.com/PaBtM4
: library(magrittr)
: p.combination = character(1000)
: for(i in 1:length(p.combination)){
:   p.combination[i] = LETTERS[sample(1:26,5)] %>% paste0(collapse = ", ")
: }
: p.com.allowed = character(1000)
: for(i in 1:length(p.com.allowed)){
:   p.com.allowed[i] = LETTERS[sample(1:26,5)] %>% paste0(collapse = ", ")
: }
: data = data.frame(p.combination = p.combination,
:                   p.com.allowed = p.com.allowed)
: player = LETTERS[1:26]
: input.matrix0 = function(data, player, off){
:   X = matrix(ncol = length(player), nrow = dim(data)[1])
:   for(i in 1:dim(data)[1]){
:     if(off) {
:       colnames(X) = paste0("O_",player)
:       coding = 1
:       pp = data$p.combination
:     } else {
:       colnames(X) = paste0("D_",player)
:       coding = -1
:       pp = data$p.com.allowed
:     }
:     player.temp = pp[i] %>% gsub(", ", "|",.)
:     index = grep(player.temp, player)
:     X[i,index] = coding
:     X[i,-index] = 0
:   }
:   return(X)
: }
: input.matrix = function(data, player){
:   X.off = input.matrix0(data, player, T)
:   X.def = input.matrix0(data, player, F)
:   return(cbind(X.off, X.def))
: }
: out = input.matrix(data,player)

--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 1.163.182.29
※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1514640039.A.C6E.html
→ andrew43: 多謝你也幫我寫成function了
推 tan800630: 又學到東西了  感謝分享：）
推 cywhale: 推，text2vec非常實用~ 感謝分享~~
推 mowgur: 推推推 謝謝大家的回復!!!! 我最後使用的方法是andrew大的
→ mowgur: 實際資料下去跑只花了80秒~~
→ mowgur: t大的方法時間滿長的 有警告訊息 可能是我的資料沒清乾淨
→ mowgur: 用text2vec會做出全0的矩陣 猜測是建立vocab或vectorizer
→ mowgur: 的地方有問題 但我來不及仔細研究
→ mowgur: 最後再感謝大家拯救研究生嗚嗚嗚 R板好溫暖RRRR