R中的缓存/记忆/散列选项

Posted 2021-05-05

我试图找到一种简单的方法来使用像R中的Perl的散列函数（基本上是缓存），因为我打算进行Perl风格的散列并编写我自己的计算备忘录。然而，其他人已经打败了我，并有包装备忘。我越挖，越发现，例如memoise和R.cache，但差异并不容易。此外，还不清楚除了使用hash软件包之外，还有什么方法可以获得Perl风格的哈希（或Python风格的字典）并编写自己的memoization，而这似乎并不支持两个memoization软件包。

由于我无法找到有关CRAN或其他地方的信息来区分选项，或许这应该是关于SO的社区维基问题：R中的记忆和缓存有哪些选项，它们的区别是什么？

---

作为比较的基础，这里是我找到的选项列表。此外，在我看来，所有都依赖于散列，所以我也会注意到散列选项。密钥/值存储在某种程度上是相关的，但是会打开关于数据库系统的大量蠕虫（例如BerkeleyDB，Redis，MemcacheDB和scores of others）。

它看起来像是：

Hashing

• digest - 为任意R对象提供散列。

Memoization

• memoise - 一个用于记忆功能的非常简单的工具。
• R.cache - 为memoization提供了更多功能，虽然看起来有些功能缺乏示例。

Caching

• hash - 提供类似于Perl的哈希和Python词典的缓存功能。

Key/value storage

这些是R对象外部存储的基本选项。

• stashr
• filehash

Checkpointing

• cacher - 这似乎更像是checkpointing。
• CodeDepends - 一个支持cacher并提供一些有用功能的OmegaHat项目。
• DMTCP（不是R包） - 似乎支持多种语言的检查点，以及a developer recently sought assistance testing DMTCP checkpointing in R。

Other

• Base R支持：命名向量和列表，数据框的行和列名称以及环境中项目的名称。在我看来，使用列表有点像kludge。 （还有pairlist，但是it is deprecated。）
• data.table包支持快速查找数据表中的元素。

---

Use case

虽然我最感兴趣的是了解选项，但我有两个基本用例：

1. 缓存：简单计算字符串。 [注意：这不适用于NLP，但一般用途，因此NLP库是过度的;表格不合适，因为我不想等到整个字符串集加载到内存中。 Perl风格的哈希处于适当的实用水平。]
2. 记忆怪异的计算。

这些真的出现是因为我是digging in to the profiling of some slooooow code，我真的很想算简单的字符串，看看我是否可以通过memoization加速计算。能够散列输入值，即使我没有记忆，也会让我看看memoization是否有帮助。

---

注1：CRAN Task View on Reproducible Research列出了几个软件包（cacher和R.cache），但没有详细说明使用选项。

注2：为了帮助其他人查找相关代码，这里有一些关于一些作者或包的注释。一些作者使用SO。 :)

• Dirk Eddelbuettel：digest - 许多其他包依赖于此。
• Roger Peng：cacher，filehash，stashR--它们以不同的方式解决不同的问题;请参阅Roger's site获取更多包裹。
• 克里斯托弗·布朗：hash - 似乎是一个有用的包，但不幸的是，ODG的链接已经关闭。
• Henrik Bengtsson：R.cache和Hadley Wickham：memoise - 现在还不清楚何时更喜欢一个包装而不是另一个包装。

注3：有些人使用memoize / memoization其他人使用memoize / memoization。如果您正在寻找，请注意。 Henrik使用“z”而Hadley使用“s”。

答案

对于字符串的简单计数（并且不使用table或类似），multiset数据结构似乎非常合适。 environment对象可用于模拟此。

# Define the insert function for a multiset
msetInsert <- function(mset, s) {
    if (exists(s, mset, inherits=FALSE)) {
        mset[[s]] <- mset[[s]] + 1L
    } else {
        mset[[s]] <- 1L 
    }
}

# First we generate a bunch of strings
n <- 1e5L  # Total number of strings
nus <- 1e3L  # Number of unique strings
ustrs <- paste("Str", seq_len(nus))

set.seed(42)
strs <- sample(ustrs, n, replace=TRUE)


# Now we use an environment as our multiset    
mset <- new.env(TRUE, emptyenv()) # Ensure hashing is enabled

# ...and insert the strings one by one...
for (s in strs) {
    msetInsert(mset, s)
}

# Now we should have nus unique strings in the multiset    
identical(nus, length(mset))

# And the names should be correct
identical(sort(ustrs), sort(names(as.list(mset))))

# ...And an example of getting the count for a specific string
mset[["Str 3"]] # "Str 3" instance count (97)

另一答案

我没有运气与memoise，因为它给我尝试的打包的一些功能too deep recursive问题。随着R.cache我运气好了。以下是我从R.cache文档改编的更加注释的代码。代码显示了执行缓存的不同选项。

# Workaround to avoid question when loading R.cache library
dir.create(path="~/.Rcache", showWarnings=F) 
library("R.cache")
setCacheRootPath(path="./.Rcache") # Create .Rcache at current working dir
# In case we need the cache path, but not used in this example.
cache.root = getCacheRootPath() 
simulate <- function(mean, sd) {
    # 1. Try to load cached data, if already generated
    key <- list(mean, sd)
    data <- loadCache(key)
    if (!is.null(data)) {
        cat("Loaded cached data
")
        return(data);
    }
    # 2. If not available, generate it.
    cat("Generating data from scratch...")
    data <- rnorm(1000, mean=mean, sd=sd)
    Sys.sleep(1) # Emulate slow algorithm
    cat("ok
")
    saveCache(data, key=key, comment="simulate()")
    data;
}
data <- simulate(2.3, 3.0)
data <- simulate(2.3, 3.5)
a = 2.3
b = 3.0
data <- simulate(a, b) # Will load cached data, params are checked by value
# Clean up
file.remove(findCache(key=list(2.3,3.0)))
file.remove(findCache(key=list(2.3,3.5)))

simulate2 <- function(mean, sd) {
    data <- rnorm(1000, mean=mean, sd=sd)
    Sys.sleep(1) # Emulate slow algorithm
    cat("Done generating data from scratch
")
    data;
}
# Easy step to memoize a function
# aslo possible to resassign function name.
This would work with any functions from external packages. 
mzs <- addMemoization(simulate2)

data <- mzs(2.3, 3.0)
data <- mzs(2.3, 3.5)
data <- mzs(2.3, 3.0) # Will load cached data
# aslo possible to resassign function name.
# but different memoizations of the same 
# function will return the same cache result
# if input params are the same
simulate2 <- addMemoization(simulate2)
data <- simulate2(2.3, 3.0)

# If the expression being evaluated depends on
# "input" objects, then these must be be specified
# explicitly as "key" objects.
for (ii in 1:2) {
    for (kk in 1:3) {
        cat(sprintf("Iteration #%d:
", kk))
        res <- evalWithMemoization({
            cat("Evaluating expression...")
            a <- kk
            Sys.sleep(1)
            cat("done
")
            a
        }, key=list(kk=kk))
        # expressions inside 'res' are skipped on the repeated run
        print(res)
        # Sanity checks
        stopifnot(a == kk)
        # Clean up
        rm(a)
    } # for (kk ...)
} # for (ii ...)

另一答案

与@biocyperman solution相关。 R.cache有一个包装函数，用于避免加载，保存和评估缓存。查看修改后的功能：

R.cache提供了一个用于加载，评估和保存的包装器。您可以像这样简化代码：

simulate <- function(mean, sd) {
key <- list(mean, sd)
data <- evalWithMemoization(key = key, expr = {
    cat("Generating data from scratch...")
    data <- rnorm(1000, mean=mean, sd=sd)
    Sys.sleep(1) # Emulate slow algorithm
    cat("ok
")
    data})
}