R 中大型数据集的回归

• 作者：Yixuan Qiu
• 原文地址：http://statr.me/2011/10/large-regression/
• 译者：黄俊文

众所周知，R 是一个依赖于内存的软件，就是说一般情况下，数据集都会被整个地复制到内存之中再被处理。对于小型或者中型的数据集，这样处理当然没有什么问题。但是对于大型的数据集，例如网上抓取的金融类型时间序列数据或者一些日志数据，这样做就有很多因为内存不足导致的问题了。

这里是一个具体的例子。在 R 中输入如下代码，创建一个叫 x 的矩阵和叫 y 的向量。

set.seed(123);n = 5000000;p = 5;x = matrix(rnorm(n * p), n, p);x = cbind(1, x);bet = c(2, rep(1, p));y = c(x %*% bet) + rnorm(n);

如果用内置的 lm 函数对 x 和 y 进行回归分析，就有可能出现如下错误（当然，也有可能因为内存足够而运行成功）：

> lm(y ~ 0 + x);Error: cannot allocate vector of size 19.1 MbIn addition: Warning messages:1: In lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) :  Reached total allocation of 1956Mb: see help(memory.size)2: In lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) :  Reached total allocation of 1956Mb: see help(memory.size)3: In lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) :  Reached total allocation of 1956Mb: see help(memory.size)4: In lm.fit(x, y, offset = offset, singular.ok = singular.ok, ...) :  Reached total allocation of 1956Mb: see help(memory.size)

本文代码运行的电脑的配置是：

CPU: Intel Core i5-2410M @ 2.30 GHz
Memory: 2GB
OS: Windows 7 64-bit
R: 2.13.1 32-bit

在 R 中，每一个 numeric 数 占用 8 Bytes，所以可以估算到 x 和 y 只是占用 5000000 7 8 / 1024 ^ 2 Bytes = 267 MB，离运行的电脑的内存 2 GB 差很远。问题在于，运行lm() 函数会生成很多额外的变量塞满内存。比如说拟合值和残差。

如果我们只是关心回归的系数，我们可以直接用矩阵运算来计算 β^ ：

beta.hat = solve(t(x) %*% x, t(x) %*% y);

在本文运行的计算机中，这个命令成功执行，而且很快（0.6秒）（我使用了一个优化版本的 Rblas, 下载）。然而，如果样本变得更加大了，这个矩阵运算也会变得不可用。可以估算出，如果样本大小为 2GB / 7 / 8 Bytes = 38347922 ，x 和 y 自己就会占用了全部内存，更不要说其他计算过程中出现的临时变量了。

怎么破？

一个方法就是用数据库来避免占用大量内存，并且直接在数据库中执行 SQL 语句等。数据库使用硬盘来保存数据，并且执行 SQL 语句时只是占用少量内存，所以基本上不用过于担心内存占用。不过有得有失，要更加关注完成任务所占用的时间。

R 支持很多数据库，其中 SQLite 是最轻量级和简单的。有一个RSQLite 包，允许用户在 R 中对 SQLite 进行操作。这些操作包括了对 SQLite 数据库进行读写，执行 SQL 语句和在 R 中获取执行结果。所以，如果我们能够把需要的算法“翻译”到 SQL 语句版本，数据集的大小只受限于硬盘的大小和我们能够接受的执行时间。

采用上面的那个例子，我这里说明我们会怎样用数据库和 SQL 语句来对数据集进行回归。首先我们要把数据塞到硬盘上面。

gc();dat = as.data.frame(x);rm(x);gc();dat$y = y;rm(y);gc();colnames(dat) = c(paste("x", 0:p, sep = ""), "y");gc();# Will also load the DBI packagelibrary(RSQLite);# Using the SQLite database driverm = dbDriver("SQLite");# The name of the database filedbfile = "regression.db";# Create a connection to the databasecon = dbConnect(m, dbname = dbfile);# Write the data in R into databaseif(dbExistsTable(con, "regdata")) dbRemoveTable(con, "regdata");dbWriteTable(con, "regdata", dat, row.names = FALSE);# Close the connectiondbDisconnect(con);# Garbage collectionrm(dat);gc();

上述代码有很多 rm() 和 gc() ，函数，这些函数是用来移除没有用的临时变量和释放内存。当代码运行完毕的时候，你就会发现在你的工作空间中有一个 320M 左右的regression.db 文件。然后就是最重要的一步了：把回归的算法转化为 SQL。

我们有

β^=(X′X)−1X′y

而且，无论 n 有多大，X′X 和 X′y 的大小总是 (p+1)∗(p+1) 。如果变量不是很多，R 处理矩阵逆和矩阵乘法还是很轻松的，所以我们的主要目标是用 SQL 来计算 X′X 和 X′y 。

由于 X=(x0,x1,…,xp)，所以X′X 可以表达为：

⎛⎝⎜⎜⎜⎜⎜x′0x0x′1x0⋮x′px0x′0x1x′1x1⋮x′px1……⋱…x′0xpx′1xp⋮x′pxp⎞⎠⎟⎟⎟⎟⎟

而每一个矩阵元素都可以用 SQL 来计算，比如说：

select sum(x0 * x0), sum(x0 * x1) from regdata;

我们可以用 R 来生成 SQL 语句，然后把语句发送到 SQLite ：

m = dbDriver("SQLite");dbfile = "regression.db";con = dbConnect(m, dbname = dbfile);# Get variable namesvars = dbListFields(con, "regdata");xnames = vars[-length(vars)];yname = vars[length(vars)];# Generate SQL statements to compute X'Xmult = outer(xnames, xnames, paste, sep = "*");lower.index = lower.tri(mult, TRUE);mult.lower = mult[lower.index];sql = paste("sum(", mult.lower, ")", sep = "", collapse = ",");sql = sprintf("select %s from regdata", sql);txx.lower = unlist(dbGetQuery(con, sql), use.names = FALSE);txx = matrix(0, p + 1, p + 1);txx[lower.index] = txx.lower;txx = t(txx);txx[lower.index] = txx.lower;# Generate SQL statements to compute X'Ysql = paste(xnames, yname, sep = "*");sql = paste("sum(", sql, ")", sep = "", collapse = ",");sql = sprintf("select %s from regdata", sql);txy = unlist(dbGetQuery(con, sql), use.names = FALSE);txy = matrix(txy, p + 1);# Compute beta hat in Rbeta.hat.DB = solve(txx, txy);t6 = Sys.time();

我们可以检查这个结果：

> max(abs(beta.hat - beta.hat.DB));[1] 3.028688e-13

可以看出差别是舍入误差导致的。

以上计算用了大约 17 秒，远远超出矩阵运算的时间。不过它也几乎没有占用额外的内存空间。实际上我们采用了“时间换空间”的策略。此外，你可能还发现，我们可以通过多个对数据库的连接同步地计算sum(x0*x0), sum(x0*x1), ..., sum(x5*x5) ，所以如果你有一个多核的服务器（而且硬盘足够快），你还可以通过适当的安排大量地减少运行时间。

完整的源代码可以在这里下载。