Optimization R优化：在这种情况下如何避免for循环？

我试图在R中做一个简单的基因组轨迹交叉，遇到了主要的性能问题，可能与我使用for循环有关

在这种情况下，我以100bp的间隔预先定义了窗口，并试图计算mylist中的注释覆盖了每个窗口的多少。从图形上看，它看起来像这样：

          0    100   200    300    400   500   600  
windows: |-----|-----|-----|-----|-----|-----|

mylist:    |-|   |-----------|

所以我写了一些代码来实现这一点，但速度相当慢，已经成为我代码中的瓶颈：

##window for each 100-bp segment    
windows <- numeric(6)

##second track
mylist = vector("list")
mylist[[1]] = c(1,20)
mylist[[2]] = c(120,320)


##do the intersection
for(i in 1:length(mylist)){
  st <- floor(mylist[[i]][1]/100)+1
  sp <- floor(mylist[[i]][2]/100)+1
  for(j in st:sp){       
    b <- max((j-1)*100, mylist[[i]][1])
    e <- min(j*100, mylist[[i]][2])
    windows[j] <- windows[j] + e - b + 1
  }
}

print(windows)
[1]  20  81 101  21   0   0

每个100 bp段的窗口

---

windows我想我把它弄得更复杂了。。。 System.time在如此小的数据集中无法帮助我进行性能评估

windows <- numeric(6)

mylist = vector("list")
mylist[[1]] = c(1,20)
mylist[[2]] = c(120,320)


library(plyr)

l_ply(mylist, function(x) {
sapply((floor(x[1]/100)+1) : (floor(x[2]/100)+1), function(z){
    eval.parent(parse(text=paste("windows[",z,"] <- ", 
        min(z*100, x[2]) - max((z-1)*100, x[1]) + 1,sep="")),sys.nframe())
    })          
})

print(windows)

---

我没有什么好主意，但是你可以去掉内部循环，把事情加快一点。请注意，如果一个窗口在mylist间隔内完全落下，则只需将100添加到相应的

windows

元素中即可。因此，只有

st

-th和

sp

-th窗口需要特殊处理

  windows <- numeric(100)
  for(i in 1:length(mylist)){ 
    win <- mylist[[i]]         # for cleaner code
    st <- floor(win[1]/100)+1 
    sp <- floor(win[2]/100)+1 
    # start and stop are within the same window
    if (sp == st){
      windows[st] <- windows[st] + (win[2]%%100) - (win[1]%%100) +1 
    }
    # start and stop are in separate windows - take care of edges
    if (sp > st){
      windows[st] <- windows[st] + 100 - (win[1]%%100) + 1
      windows[sp] <- windows[sp] + (win[2]%%100)
    }
    # windows completely inside win
    if (sp > st+1){
      windows[(st+1):(sp-1)] <- windows[(st+1):(sp-1)] + 100
    }       
  }

---

windows所以我不能完全确定为什么第三个和第四个窗口不是100和20，因为这对我来说更有意义。对于这种行为，这里有一个简单的解释：

Reduce('+', lapply(mylist, function(x) hist(x[1]:x[2], breaks = (0:6) * 100, plot = F)$counts)) 

请注意，您需要在
breaks
中指定上限，但如果您事先不知道上限，则不难再次获得上限。
正确的做法是使用bioconductor
IRanges
包，该包使用IntervalTree数据结构来表示这些范围

将两个对象都放在各自的
IRanges
对象中，然后使用
findOverlaps
功能获胜

在这里获取：


顺便说一句，包的内部是用C编写的，所以速度非常快

编辑

再想一想，这并不像我建议的那样是一个扣篮（一行），但如果你在基因组间隔（或其他类型）工作，你肯定应该开始使用这个库。。。您可能需要执行一些设置操作和其他操作。抱歉，我没有时间提供确切的答案

我只是觉得向您指出这个库很重要。
好吧，所以我在这方面浪费了太多时间，但仍然只有3倍的加速。谁能打败这个

守则：

my <- do.call(rbind,mylist)
myFloor <- floor(my/100)
myRem <- my%%100
#Add intervals, over counting interval endpoints
counts <- table(do.call(c,apply(myFloor,1,function(r) r[1]:r[2])))
windows[as.numeric(names(counts))+1] <- counts*101

#subtract off lower and upper endpoints
lowerUncovered <- tapply(myRem[,1],myFloor[,1],sum)
windows[as.numeric(names(lowerUncovered))+1]  <-  windows[as.numeric(names(lowerUncovered))+1]  - lowerUncovered
upperUncovered <- tapply(myRem[,2],myFloor[,2],function(x) 100*length(x) - sum(x))
windows[as.numeric(names(upperUncovered))+1]  <-  windows[as.numeric(names(upperUncovered))+1] - upperUncovered

非常令人沮丧的是，系统时间基本上为0，但观测到的时间太长了。我打赌如果你真的去C，你会得到50-100倍的加速。
这似乎是一个问题，可以通过Bioconductor中的
IRanges
包解决。这可能是一个很好的起点。hrmm-感谢指针-似乎很有希望。我使用了比示例稍大的数据进行了尝试，这比原始的要长约10倍：（@Aniko.显然
eval
对性能有很大的影响。你能想出另一种方法来访问
windows
变量吗？可以使用
“[没有
eval
的修改花费的时间更长。@Aniko我放弃：）顺便说一句，谢谢你的语法。我以前没有见过它，现在，我无法在帮助中找到它。它必须是
Reduce
，而不是
do.call
，但是这种方法非常慢（虽然很优雅）。感谢Reduce上的技巧！我尝试过，它看起来并不那么慢：>system.time（replicate）（Reduce（+），lappy（mylist，函数（x）hist（x[1]：x[2]，中断=剪切，绘图=F）$counts）），1000）利用我们的系统需要0.03 0.00 0.03这是一个非常优雅的功能，但速度要慢得多。在一组10个窗口和6个缺口上，重复1000次，这需要6.58秒，而原始功能需要0.18秒。我正在查看整个基因组，并将考虑数百万条注释，所以这并不重要“t scale.BTW-关于第三个和第四个窗口，你是对的-我已经修复了一个小错误。为什么
Reduce
比
do好。调用
？据我所知
Reduce
执行类似于
的操作（元素中的I）结果谢谢-在这和andrewj上面的建议之间，我怀疑IRanges可能是一条出路。这将需要对我的代码进行一些广泛的重写，所以我现在就开始，并将很快报告。是的，使用IRanges使这个项目更容易编码，速度也更快。谢谢你的提示。
Reduce('+', lapply(mylist, function(x) hist(x[1]:x[2], breaks = (0:6) * 100, plot = F)$counts)) 

my <- do.call(rbind,mylist)
myFloor <- floor(my/100)
myRem <- my%%100
#Add intervals, over counting interval endpoints
counts <- table(do.call(c,apply(myFloor,1,function(r) r[1]:r[2])))
windows[as.numeric(names(counts))+1] <- counts*101

#subtract off lower and upper endpoints
lowerUncovered <- tapply(myRem[,1],myFloor[,1],sum)
windows[as.numeric(names(lowerUncovered))+1]  <-  windows[as.numeric(names(lowerUncovered))+1]  - lowerUncovered
upperUncovered <- tapply(myRem[,2],myFloor[,2],function(x) 100*length(x) - sum(x))
windows[as.numeric(names(upperUncovered))+1]  <-  windows[as.numeric(names(upperUncovered))+1] - upperUncovered

mylist = vector("list")
for(i in 1:20000){
    d <- round(runif(1,,500))
    mylist[[i]] <- c(d,d+round(runif(1,,700)))
}

windows <- numeric(200)


new_code <-function(){
    my <- do.call(rbind,mylist)
    myFloor <- floor(my/100)
    myRem <- my%%100
    counts <- table(do.call(c,apply(myFloor,1,function(r) r[1]:r[2])))
    windows[as.numeric(names(counts))+1] <- counts*101

    lowerUncovered <- tapply(myRem[,1],myFloor[,1],sum)
    windows[as.numeric(names(lowerUncovered))+1]  <-  windows[as.numeric(names(lowerUncovered))+1]  - lowerUncovered

    upperUncovered <- tapply(myRem[,2],myFloor[,2],function(x) 100*length(x) - sum(x))
    windows[as.numeric(names(upperUncovered))+1]  <-  windows[as.numeric(names(upperUncovered))+1] - upperUncovered

    #print(windows)
}


#old code
old_code <- function(){
    for(i in 1:length(mylist)){
        st <- floor(mylist[[i]][1]/100)+1
        sp <- floor(mylist[[i]][2]/100)+1
        for(j in st:sp){       
            b <- max((j-1)*100, mylist[[i]][1])
            e <- min(j*100, mylist[[i]][2])
            windows[j] <- windows[j] + e - b + 1
        }
    }
    #print(windows)
}

system.time(old_code())
system.time(new_code())

> system.time(old_code())
   user  system elapsed 
  2.403   0.021   2.183 
> system.time(new_code())
   user  system elapsed 
  0.739   0.033   0.588