डेटा को तेजी से एप्रोच करना

Question

मुझे एक bedफ़ाइल को यादृच्छिक रूप से 10000 बार क्रमबद्ध करने और हर बार शीर्ष 1000 पंक्तियों को लेने की आवश्यकता है। वर्तमान में, मैं निम्नलिखित कोड का उपयोग कर रहा हूं:

for i in {1..100}; do
    for j in {1..100}; do
        sort -R myfile.bed_sorted | tail -n 1000 > myfile.bed.$i.$j.bed
    done
done

प्रत्येक फ़ाइल के लिए ऐसा करने में लगभग 6 घंटे लगते हैं। मेरे पास उनमें से लगभग 150 काम करने हैं। क्या इसका कोई तेज़ समाधान है?

डेटा का एक नमूना (myfile.bed_sorted) मेरे पास है:

    chr1    111763899   111766405   peak1424    1000    .   3224.030    -1  -1
    chr1    144533459   144534584   peak1537    998 .   3219.260    -1  -1
    chr8    42149384    42151246    peak30658   998 .   3217.620    -1  -1
    chr2    70369299    70370655    peak16886   996 .   3211.600    -1  -1
    chr8    11348914    11352994    peak30334   990 .   3194.180    -1  -1
    chr21   26828820    26830352    peak19503   988 .   3187.820    -1  -1
    chr16   68789901    68791150    peak11894   988 .   3187.360    -1  -1
    chr6    11458964    11462245    peak26362   983 .   3169.750    -1  -1
    chr1    235113793   235117308   peak2894    982 .   3166.000    -1  -1
    chr6    16419968    16422194    peak26522   979 .   3158.520    -1  -1
    chr6    315344  321339  peak26159   978 .   3156.320    -1  -1
    chr1    111756584   111759633   peak1421    964 .   3110.520    -1  -1
    chrX    12995098    12997685    peak33121   961 .   3100.000    -1  -1
    chr9    37408601    37410262    peak32066   961 .   3100.000    -1  -1
    chr9    132648603   132651523   peak32810   961 .   3100.000    -1  -1
    chr8    146103178   146104943   peak31706   961 .   3100.000    -1  -1
    chr8    135611963   135614649   peak31592   961 .   3100.000    -1  -1
    chr8    128312253   128315935   peak31469   961 .   3100.000    -1  -1
    chr8    128221486   128223644   peak31465   961 .   3100.000    -1  -1
    chr8    101510621   101514237   peak31185   961 .   3100.000    -1  -1
    chr8    101504210   101508005   peak31184   961 .   3100.000    -1  -1
    chr7    8173062 8174642 peak28743   961 .   3100.000    -1  -1
    chr7    5563424 5570618 peak28669   961 .   3100.000    -1  -1
    chr7    55600455    55603724    peak29192   961 .   3100.000    -1  -1
    chr7    35767878    35770820    peak28976   961 .   3100.000    -1  -1
    chr7    28518260    28519837    peak28923   961 .   3100.000    -1  -1
    chr7    104652502   104654747   peak29684   961 .   3100.000    -1  -1
    chr6    6586316 6590136 peak26279   961 .   3100.000    -1  -1
    chr6    52362185    52364270    peak27366   961 .   3100.000    -1  -1
    chr6    407805  413348  peak26180   961 .   3100.000    -1  -1
    chr6    32936987    32941352    peak26978   961 .   3100.000    -1  -1
    chr6    226477  229964  peak26144   961 .   3100.000    -1  -1
    chr6    157017923   157020836   peak28371   961 .   3100.000    -1  -1
    chr6    137422769   137425128   peak28064   961 .   3100.000    -1  -1
    chr5    149789084   149793727   peak25705   961 .   3100.000    -1  -1
    chr5    149778033   149783125   peak25702   961 .   3100.000    -1  -1
    chr5    149183766   149185906   peak25695   961 .   3100.000    -1  -1

Comments

आपकी फ़ाइल कितनी बड़ी है और "यादृच्छिक" की आपकी धारणा कितनी सख्त है? splitकिसी फ़ाइल को 1000 लाइनों के टुकड़ों में विभाजित कर सकता है, इसलिए आपको एक ही कॉल में अधिक फ़ाइलें मिलेंगी sort। इसके अलावा, क्या आपने जाँच की है कि क्या headयह पूरी तरह से तेज़ है tailक्योंकि इसे पूरी फ़ाइल के माध्यम से पढ़ने की आवश्यकता नहीं है?

— उलरिच श्वार्ज़

@UlrichSchwarz: जो नमूना फ़ाइल मैंने ऊपर चिपकाई है, उसमें लगभग 33000 पंक्तियाँ हैं। सामान्य तौर पर, मेरी सभी बेड फ़ाइलों में पंक्तियों की संख्या कम या ज्यादा होगी। उदाहरण के लिए: 33000 पंक्ति की फाइल से, मैं एक बार में 33 सबसेट (प्रत्येक में 1000 पंक्तियाँ) प्राप्त करना नहीं चाहता। मैं केवल प्रत्येक रन से शीर्ष 1000 पंक्तियों को लेना चाहता हूं। मैं भी उसी फ़ाइल की एक पूंछ कर रहा हूँ। बस नमूने के लिए, मैं headयहाँ इस्तेमाल किया ।

— बायोबुधन

मैन पेज के अनुसार sort -R"चाबियों का यादृच्छिक हैश" का उपयोग करता है। हैश बनाना समय की कुल बर्बादी है और शायद किसी भी चीज़ की तुलना में अधिक समय लेता है। बेहतर होगा कि लाइनों को एक ऐरे में पढ़ें और फिर इंडेक्स का उपयोग करते हुए फेरबदल करें। व्यक्तिगत रूप से, मैं perlउस के लिए उपयोग करेंगे; आप इसे कर सकते हैं, bashलेकिन आपको यादृच्छिक संख्या उत्पन्न करने के लिए एक फ़ंक्शन की आवश्यकता होगी।

— गोल्डीलॉक्स

@goldilocks: मैं एक perlव्यक्ति नहीं हूँ ! क्या तुमसे मुझे मदद मिल सकती है?

— बायोबुधन

shufइसके बजाय कोशिश करें sort -R, यह काफी तेज है। बेशक, इसे मेमोरी में करना (पर्ल उत्तर देखें) कुछ भी हरा देगा जो शेल में पूरी फ़ाइल को फिर से पढ़ने की आवश्यकता है।

— फ्रॉस्टचुट्ज़

Answer 1

यह मानते हुए कि आपके पास फ़ाइल को खिसकाने के लिए पर्याप्त मेमोरी है, आप कोशिश कर सकते हैं

perl -e 'use List::Util 'shuffle'; @k=shuffle(<>); print @k[0..999]' file.bed

चूँकि आप 10000 बार ऐसा करना चाहते हैं, इसलिए मैं पुनरावृत्ति को स्क्रिप्ट में एकीकृत करने और चीजों को गति देने के लिए सरणी के बजाय सूचकांकों को फेरबदल करने की सलाह दूंगा :

$ time perl -e 'use List::Util 'shuffle'; 
            @l=<>; for $i (1..10000){
               open(my $fh, ">","file.$i.bed"); 
               @r=shuffle(0..$#l); 
               print $fh @l[@r[0..999]]
            }' file.bed

real    1m12.444s
user    1m8.536s
sys     0m3.244s

ऊपर की बनाई गई 1000 लाइनों की 10000 फाइलें एक फाइल से प्रत्येक जिसमें 37000 पंक्तियां थीं (आपका उदाहरण फ़ाइल 1000 बार दोहराई गई है)। जैसा कि आप देख सकते हैं, मेरे सिस्टम पर तीन मिनट से थोड़ा अधिक समय लगा।

व्याख्या

• use List::Util 'shuffle';: यह एक पर्ल मॉड्यूल आयात करता है जो shuffle()फ़ंक्शन प्रदान करता है जो एक सरणी को यादृच्छिक करता है।
• @l=<>;: <>सरणी में इनपुट फ़ाइल ( ) लोड करें @l।
• for $i (1..10000){} : इसे 10000 बार चलाएं।
• @r=shuffle(0..$#l);: $#lमें तत्वों की संख्या है @lइसलिए @rअब सरणी के सूचकांक संख्या की एक यादृच्छिक सूची @l(इनपुट फ़ाइल के लाइनों)।
• open(my $fh, ">","file.$i.bed");: file.$i.bedलिखने के लिए कॉल की गई फ़ाइल खोलें । $i1 से 10000 तक मान लेगा।
• print $fh @l[@r[0..999]]: फेरबदल सरणी में पहले 1000 सूचकांक लें और संबंधित पंक्तियों (तत्वों @l) को प्रिंट करें ।

---

एक और दृष्टिकोण का उपयोग करना है shuf( धन्यवाद @frostschutz ):

$ time for i in {1..10000}; do shuf -n 1000 file.bed > file.$i.abed; done

real    1m9.743s
user    0m23.732s
sys     0m31.764s

Comments

वाह!! यह बहुत अच्छा है!! यह 2 मिनट में काम किया :-) मैं सिर्फ एक और सवाल है। फ़ाइल की अंतिम 1000 पंक्तियों को कैसे पुनर्प्राप्त किया जाए? क्योंकि हमें इसे प्राप्त करने के लिए फ़ाइल में लंबाई (लाइनों की संख्या) को जानना होगा? कृपया सहायता कीजिए!

— बायोबुधन

@ निबोधन ठंढसूटज़ shufद्वारा सुझाए गए अनुसार मानते हैं for i in {1..10000}; do shuf -n 1000 file.bed > file.$i.bed; done:। मेरे सिस्टम पर ~ 1 मिनट का समय लगा। अंतिम 1000 लाइनों के लिए, आप सभी की जरूरत है tail -n 1000।

— terdon

@biobudhan एक 3x तेज पर्ल संस्करण के लिए अद्यतन उत्तर भी देखता है।

— terdon

हाँ, मैंने कोशिश की और यह अब तेजी से काम करता है !! आपका बहुत बहुत धन्यवाद!!! :-)

— बायोबुधन

क्या आपने पर्ल संस्करण के आउटपुट फाइलों को दोबारा जांचा है? यह मेरे लिए अजीब लगता है कि इसके पास इतना कम sysसमय है, जो फ़ाइल I / O होगा - यह shufएक की तुलना में पूरी तरह से अलग नहीं होना चाहिए , जिसमें ~ 30 है sys। इसलिए मैंने यहाँ पर पर्ल का परीक्षण किया (n n पेस्ट को काटें) और O_O ने 1000 फाइलें

— बनाईं

Answer 2

यदि आप यह देखना चाहते हैं कि यह कितनी तेजी से किया जा सकता है, तो इसे पेस्ट करें 10kshuffle.cppऔर इसे संकलित करें g++ 10kshuffle.cpp -o 10kshuffle। फिर आप इसे चला सकते हैं:

10kshuffle filename < inputfile

filenameआउटपुट फ़ाइलों के लिए उपयोग करने के लिए आधार पथ कहाँ है; वे नामित किया जाएगा filename.0, filename.1आदि और प्रत्येक एक फेरबदल के पहले 1000 लाइनों में शामिल है। यह प्रत्येक फ़ाइल का नाम लिखते ही लिख जाता है।

#include <cerrno>
#include <cstdlib>
#include <cstring>
#include <fcntl.h>
#include <fstream>
#include <iostream>
#include <string>
#include <sstream>
#include <unistd.h>
#include <vector>

using namespace std;

unsigned int randomSeed () {
    int in = open("/dev/urandom", O_RDONLY);
    if (!in) {
        cerr << strerror(errno);
        exit(1);
    }
    unsigned int x;
    read(in, &x, sizeof(x));
    close(in);
    return x;
}

int main (int argc, const char *argv[]) {
    char basepath[1024];
    strcpy(basepath,argv[1]);
    char *pathend = &basepath[strlen(basepath)];
// Read in.
    vector<char*> data;
    data.reserve(1<<16);
    while (!cin.eof()) {
        char *buf = new char[1024];
        cin.getline(buf,1023);
        data.push_back(buf);
    }

    srand(randomSeed());
    for (int n = 0; n < 10000; n++) {
        vector<char*> copy(data);
    // Fisher-Yates shuffle.
        int last = copy.size() - 1;
        for (int i = last; i > 0; i--) {
            int r = rand() % i;
            if (r == i) continue;
            char *t = copy[i];
            copy[i] = copy[r];
            copy[r] = t;
        }
    // Write out.
        sprintf(pathend, ".%d", n);
        ofstream file(basepath);
        for (int j = 0; j < 1000; j++) file << copy[j] << endl;
        cout << basepath << endl;
        file.close();
    }

    return 0;
}  

सिंगल 3.5 Ghz कोर पर, यह ~ 20 सेकंड में चलता है:

   time ./10kshuffle tmp/test < data.txt
   tmp/test.0
   [...]
   tmp/test.9999
   real 19.95, user 9.46, sys 9.86, RSS 39408

data.txtप्रश्न से 37000 पंक्तियों को दोहराया गया था। यदि आप पहले 1000 लाइनों के बजाय आउटपुट फ़ाइल में संपूर्ण फेरबदल चाहते हैं, तो लाइन 54 को बदल दें:

for (int j = 0; j < copy.size(); j++) file << copy[j] << endl; 

Answer 3

इसलिए आपके प्रश्न का एक यूनिक्स पहलू है, लेकिन यह आपकी मूलभूत समस्या को हल करने के लायक है और फिर उस समाधान को लागू करने के लिए एक यूनिक्स-वाई रास्ता खोजने की कोशिश कर रहा है।

आपको एक अज्ञात, बड़ी संख्या में पंक्तियों के साथ फ़ाइल से प्रत्येक के आकार के 10,000 नमूने बनाने की आवश्यकता है। यदि आप 10,000 x 1,000 पंक्तियों को स्मृति में रख सकते हैं, तो फ़ाइल के एक एकल पास में ऐसा करना संभव है । यदि आप उस कई पंक्तियों को स्मृति में नहीं रख सकते हैं, तो आप अभी भी इसे एक सिंगल पास में कर सकते हैं यदि आप जानते हैं कि आपकी फ़ाइल में कितनी पंक्तियाँ हैं। यदि आपको नहीं पता कि आपकी फ़ाइल में कितनी पंक्तियाँ हैं तो आपको पंक्तियों की संख्या गिनने के लिए एक अतिरिक्त पास की आवश्यकता है।

एल्गोरिथ्म, अधिक कठिन मामले में जब आप पंक्तियों की संख्या नहीं जानते हैं, प्रत्येक नमूने के लिए निम्न करना है (समानांतर में, स्मृति में नमूने रखते हुए):

• नमूने में पहली 1,000 पंक्तियों को शामिल करें
• n-th पंक्ति के लिए (जहाँ n > 1000), इसे संभाव्यता के साथ शामिल करें 1000 / nऔर उन पंक्तियों से एक यादृच्छिक पंक्ति छोड़ दें जिन्हें आपने पहले ही चुना है। (कुछ पंक्तियों को छोड़ने की संभावना के कारण हमें इनपुट के अंत तक मेमोरी में नमूना रखने की आवश्यकता होती है)

दूसरे चरण को लागू करने का एक सुंदर तरीका है कि एक यादृच्छिक पूर्णांक उत्पन्न kकिया जाए [1, n]। यदि k <= 1000फिर पंक्ति को शामिल करें और मौजूदा k-पंक्ति को इसके साथ बदलें । यहाँ एल्गोरिथ्म का अधिक मानक विवरण दिया गया है: http://en.wikipedia.org/wiki/Reservoir_sampling

यदि आप पंक्तियों की संख्या जानते हैं R, तो:

• नमूने के आकार से शुरू करें, s0 का
• n- वीं पंक्ति को प्रायिकता के साथ शामिल करें (1000 - s) / (R - n + 1)और इसे तुरंत आउटपुट करें (और नमूना आकार बढ़ाएँ s)

यूनिक्स पर यह कैसे करें? awkलगता है कि इंटरनेट पर इस पोस्ट के प्रति उत्तर (मैं इसकी शुद्धता के लिए व्रत नहीं कर सकता, लेकिन कोड है) https://news.ycombinator.com/item?id=4840043