我正在处理带有基因组数据的大型data.table(1e6-10e6行,10列)。我想通过将组减少为单行来减少数据。这种减少取决于多列,但要连续进行。示例数据如下:
dt.tmp <- data.table(str1=paste0("A",sample(1:100,2000,replace=TRUE)),str2=paste0("B",sample(1:5,c1=sample(1:3,replace=T),c2=sample(1:3,d1=sample(1:2,d2=sample(1:2,replace=TRUE))
对于此数据,我想使用以下步骤在 str1 列上进行缩减:
- 在 str1 定义的组内,基于 str2 创建组并选择最大的组
- 在结果组中,选择最大(c1 + c2)个组
- 在结果组中,选择最大(d1 + d2)的组
- 在结果组中选择一个随机行
我已经尝试过对.SD进行各种组合操作,例如:
dt.tmp[,':='(c=c1+c2,d=d1+d2,rnd=sample.int(.N))
][,':='(n=.N),by=.(str1,str2)
][,.SD[n==max(n),.SD[c==max(c),.SD[d==max(d),.SD[rnd==max(rnd)],by=d],by=c],by=n],by=str1];
最后一次尝试使用.SD进行最小化:
dt.tmp[,rnd=sample.int(.N))
][,':='(n=.N,cmaxidx=(c==max(c))),str2)
][,':='(nmaxidx=(n==max(n))),by=str1
][,':='(dmaxidx=(d==max(d))),str2,c)
][,.SD[dmaxidx&cmaxidx&nmaxidx
][rnd==max(rnd)],':='(c=NULL,d=NULL,nmaxidx=NULL,cmaxidx=NULL,dmaxidx=NULL,n=NULL,rnd=NULL)][,.SD]
(后面的操作只是清理和打印)
我根本不是“深入” data.table。我是否可以对上述问题/代码进行明显的优化以减少执行时间(目前,我需要200-300个CPU小时,而使用最多24个内核的服务器上的时间却要减少到14个时钟小时左右)。
实际数据如下:
Classes 'data.table' and 'data.frame': 50259993 obs. of 26 variables:
$ BC : chr "AAAAAAAAAAAACAAGGTCG" "AAAAAAAAAAAactaccGTG" "AAAAAAAAAAAAGCactGAG" "AAAAAAAAAAAAGCactGAG" ...
$ chrom : chr "chr2L" "chr2R" "chr2R" "chr2R" ...
$ start : int 22371281 12477441 8323580 8323580 17304870 31837917 24897443 22469324 22469324 18294732 ...
$ end : int 22371463 12477734 8323924 8323924 17305040 31838183 24897665 22469723 22469723 18295044 ...
$ strand : chr "+" "+" "-" "-" ...
$ MAPQ1 : int 1 40 42 42 42 42 24 1 1 42 ...
$ MAPQ2 : int 1 40 42 42 42 42 24 1 1 42 ...
$ AS1 : int -3 -33 0 -3 -12 -6 -39 0 0 0 ...
$ AS2 : int -12 -3 -18 -15 0 0 -3 -5 -20 -6 ...
$ XS1 : num -3 NA NA NA NA NA NA 0 0 NA ...
$ XS2 : num -12 NA NA NA NA NA NA 0 -15 NA ...
$ snP_ABS_POS: chr "22371329,22371329,22371356,22371437" "12477460,12477500,12477524,12477707,12477719" "8323582,8323583,8323588,8323750,8323759,8323791,8323868,8323878" "8323582,8323878" ...
$ snP_REL_POS: chr "48,48,75,156" "19,59,83,266,278" "2,3,8,170,179,211,288,298" "2,298" ...
$ snP_ID : chr ".,.,." ".,." ...
$ snP_SEQ : chr "CCCTTCATCGCACGAATGTGTGCGT,CCCTTCATCGCACGAATGTGAGCGT,A,T" "T,G,accGGCATCCATCCATCCAT,T,C" "T,ACG,C,T" ...
$ snP_VAR : chr "-3,-3,0" "0,-1,-2,0" "1,1,-1" "1,-1" ...
$ snP_PARENT : chr "unexpected,unexpected,expected,expected" "expected,non_parental_allele,unread,non_parental_allele" "expected,non_parental_allele" ...
$ snP_TYPE : chr "indel,indel,snp,snp" "snp,snp" ...
$ snP_SUBTYPE: chr "del,del,ts,tv" "tv,tv,ts" "tv,ins,tv" ...
- attr(*,".internal.selfref")=<externalptr>
- attr(*,"sorted")= chr "BC" "chrom" "start" "end"
其中BC = str1,chrom + start + end = str2,MAPQ1 / 2 = c1 / 2,AS1 / 2 = d1 / 2。该数据减少到大约20e6行。
输入数据按色度,开始,结束进行排序。有使用特定顺序的有利方法吗?
我是否正确地认为使用.SD需要更多内存(尽管内存并不是atm真正的问题),因此不是最佳选择吗?
任何帮助和指点将不胜感激。
SessionInfo:
R version 3.6.1 (2019-07-05)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 16.04.6 LTS
Matrix products: default
BLAS: /usr/lib/libblas/libblas.so.3.6.0
LAPACK: /usr/lib/lapack/liblapack.so.3.6.0
locale:
[1] C
attached base packages:
[1] stats graphics grDevices utils datasets methods base
other attached packages:
[1] data.table_1.12.2
loaded via a namespace (and not attached):
[1] compiler_3.6.1 R.methodsS3_1.7.1 R.utils_2.8.0 R.oo_1.22.0