Hola Rubén,
Totalmente de acuerdo con los consejos de Carlos. Ten en cuenta que
aunque R disponga de varios (bastantes) GB de memoria, algunos de los
objetos que va creando durante el proceso pueden consumirla por
completo. Es decir, que aunque tu ordenador tenga 64GB de RAM, es
posible que no queden 10 GB libres para almacenar un objeto (porque ya
hay demasiados objetos grandes en la memoria).
Sinceramente, más que intentar implementar los análisis en python 'de
novo', creo que lo mejor es optimizar el código de R para evitar
consumir toda la memoria. Por ejemplo, si miras el código de la función
beta.pair del paquete betapart (pegado más abajo), verás que crea 3
objetos (beta.sim, beta.sne, y beta.sor) que probablemente son muy
grandes. Y luego los convierte a cada uno en matriz de distancias
(as.dist). En estas operaciones se te va la memoria, pues todos estos
objetos están almacenados ahí.
Por tanto, una solución fácil sería calcular cada una de estas cosas de
una en una, y acto seguido almacenarla en disco y reiniciar R (o
gestionar la memoria, con gc, etc, mira
http://adv-r.had.co.nz/memory.html). Cuando ya lo tengas todo en disco
puedes ir cargando objetos conforme los vayas necesitando. Si son
demasiado grandes para leerlos, puedes usar el paquete ff y similares.
Un manual muy bueno para big data en R:
https://github.com/Robinlovelace/R-for-Big-Data.
Así pues, desgranando y ejecutando una a unas las operaciones que
ejecuta la función beta.pair, creo que puedes solucionar tu problema. O
al menos eso espero!
Mucha suerte
Paco
beta.pair <- function(x, index.family="sorensen"){
# test for a valid index
index.family <- match.arg(index.family,
c('jaccard','sorensen'))
# test for pre-existing betapart objects
if (! inherits(x, "betapart")){
x <- betapart.core(x)
}
# run the analysis given the index
switch(index.family,
sorensen = {
beta.sim <- x$min.not.shared / (x$min.not.shared + x$shared)
beta.sne <- ((x$max.not.shared - x$min.not.shared) / ((2 *
x$shared) + x$sum.not.shared)) * (x$shared / (x$min.not.shared + x$shared))
beta.sor <- x$sum.not.shared / (2 * x$shared +
x$sum.not.shared)
pairwise <- list(beta.sim=as.dist(beta.sim),
beta.sne=as.dist(beta.sne),beta.sor=as.dist(beta.sor))},
jaccard = {
beta.jtu <- (2*x$min.not.shared) / ((2*x$min.not.shared) +
x$shared)
beta.jne <- ((x$max.not.shared - x$min.not.shared) /
(x$shared + x$sum.not.shared)) * (x$shared / ((2*x$min.not.shared) +
x$shared))
beta.jac <- x$sum.not.shared / (x$shared + x$sum.not.shared)
pairwise <- list(beta.jtu=as.dist(beta.jtu),
beta.jne=as.dist(beta.jne),beta.jac=as.dist(beta.jac))})
return(pairwise)
}
El 21/12/2015 a las 20:32, Carlos J. Gil Bellosta
escribió:> Hola, ¿qué tal?
>
> Haz tres cosas:
>
> 1) Prueba con subconjuntos de tus datos más pequeños: 1k, 2k, etc. a ver si
> funciona.
> 2) Mientras tanto, vigila el uso de memoria de tu máquina. En particular,
> los del proceso R.
> 3) Usa object.size para ver cuánto ocupan esos objetos que vas creando.
>
> Con eso verás dónde están los límites. Puede que la función beta.part no
> sea muy eficiente en términos de uso de la memoria. Los objetos que estás
> creando deberían ocupar menos de 5GB.
>
> En un sistema operativo normal y moderno deberías poder usar toda la RAM
> disponible. Usa (2) para ver cuánto come tu proceso de R.
>
> Un saludo,
>
> Carlos J. Gil Bellosta
> http://www.datanalytics.com
>
> El 21 de diciembre de 2015, 11:08, Ruben Bermad <ruben_bm en
hotmail.com>
> escribió:
>
>> Hola a tod en s,
>> Soy nuevo en R-help-es, por lo que perdonadme si debería haber mandado
>> este email a una sección en particular.
>> Quería consultaros un error que me aparece en R al hacer una matriz de
>> disimilitud a partir de una tabla con 6000 columnas x 11000 filas. El
>> mensaje que da R es "cannot allocate vector of size 10Gb", y
me resulta
>> extraño ya que tengo 64 Gb de RAM disponible.
>> He estado leyendo en los foros y manuales de R que si trabajo en una
>> máquina de 64 bits sea Windows o Linux R no debería de tener un límite
para
>> ubicar un objeto, y que debería de usar toda la memoria física y
virtual
>> disponible, pero creo que no está siendo así.
>> Por ello quisiera preguntaros si vosotros sabéis como puedo ampliar la
>> memoria disponible (si este fuera de verdad el problema) o cómo puedo
>> ubicar el vector en el disco y que no use la RAM.
>> En concreto estoy intentando usar la función "beta.pair" del
paquete
>> "betapart"
(https://cran.r-project.org/web/packages/betapart/betapart.pdf)
>> sobre la matriz de 6000x11000. Es en este punto donde R me da el
mensaje de
>> error.
>> Después me gustaría ejecutar la función "agnes" del paquete
"cluster" o la
>> función "hclust" del paquete "stats" sobre dicha
matriz de disimilitud, y
>> supongo que tendré un problema similar.
>> El código exacto que he usado es:library(betapart)data_base # Base de
>> datos de 6000 columnas x 11000 filasdistance <- beta.pair
(data_base,
>> index.family="sorensen") # Calculo de la matriz de
disimilitud
>> beta_similarity <- distance$beta.sim # Selecciono el tipo de medida
que
>> quiero
>> library(cluster)UPGMA<- agnes (beta_similarity ) # Análisis UPGMA
>>
>> Soluciones que he intentado: Ante los problemas que he tenido, he
>> intentado hacer la matriz de disimilitud en python. El problema es que
no
>> hay una función optimizada para la medida de disimilitud que quiero
estimar
>> (índice de simpson), y he tenido que escribir un código para que haga
los
>> cálculos por pares, pero va a tardar más de 8 días (y es un análisis
que
>> tengo que repetir muchas veces y no me parece muy viable). Por ello
vuelvo
>> a R para intentar buscar una solución con el manejo de esta gran base
de
>> datos.
>> Os agradecería cualquier tipo de ayuda.
>> Muchas gracias por adelantado,
>> Un cordial saludo, Rubén
>>
>>
>> [[alternative HTML version deleted]]
>>
>>
>> _______________________________________________
>> R-help-es mailing list
>> R-help-es en r-project.org
>> https://stat.ethz.ch/mailman/listinfo/r-help-es
>>
> [[alternative HTML version deleted]]
>
> _______________________________________________
> R-help-es mailing list
> R-help-es en r-project.org
> https://stat.ethz.ch/mailman/listinfo/r-help-es
--
Dr Francisco Rodriguez-Sanchez
Integrative Ecology Group
Estacion Biologica de Doñana - CSIC
Avda. Americo Vespucio s/n
41092 Sevilla (Spain)
http://bit.ly/frod_san
Hola, ¿qué tal? Yo no entré a comentar lo que hacen ni beta.pair ni betapart.core, que es la función a la que esta llama. Pero tanto la una como la otra hacen puras operaciones de álgebra lineal (sobre todo betapart.core). Esas operaciones deberían ser muy livianas en términos de uso de memoria. El objeto resultante no deberia ocupar más de 1GB (una matriz 11k x 11k). Así que si conviertes tus datos de entrada a matriz (en lugar de DF), borras el DF y haces un gc() (para borrar el objeto grande enseguida) y operas con con esa matriz, es fácil que no tengas problemas. ¡No deberías tenerlos! Un saludo, Carlos J. Gil Bellosta http:///www.datanalytics.com El día 22 de diciembre de 2015, 11:25, Francisco Rodriguez Sanchez <f.rodriguez.sanc en gmail.com> escribió:> Hola Rubén, > > Totalmente de acuerdo con los consejos de Carlos. Ten en cuenta que aunque R > disponga de varios (bastantes) GB de memoria, algunos de los objetos que va > creando durante el proceso pueden consumirla por completo. Es decir, que > aunque tu ordenador tenga 64GB de RAM, es posible que no queden 10 GB libres > para almacenar un objeto (porque ya hay demasiados objetos grandes en la > memoria). > > Sinceramente, más que intentar implementar los análisis en python 'de novo', > creo que lo mejor es optimizar el código de R para evitar consumir toda la > memoria. Por ejemplo, si miras el código de la función beta.pair del paquete > betapart (pegado más abajo), verás que crea 3 objetos (beta.sim, beta.sne, y > beta.sor) que probablemente son muy grandes. Y luego los convierte a cada > uno en matriz de distancias (as.dist). En estas operaciones se te va la > memoria, pues todos estos objetos están almacenados ahí. > > Por tanto, una solución fácil sería calcular cada una de estas cosas de una > en una, y acto seguido almacenarla en disco y reiniciar R (o gestionar la > memoria, con gc, etc, mira http://adv-r.had.co.nz/memory.html). Cuando ya lo > tengas todo en disco puedes ir cargando objetos conforme los vayas > necesitando. Si son demasiado grandes para leerlos, puedes usar el paquete > ff y similares. Un manual muy bueno para big data en R: > https://github.com/Robinlovelace/R-for-Big-Data. > > Así pues, desgranando y ejecutando una a unas las operaciones que ejecuta la > función beta.pair, creo que puedes solucionar tu problema. O al menos eso > espero! > > Mucha suerte > > Paco > > > > beta.pair <- function(x, index.family="sorensen"){ > > # test for a valid index > index.family <- match.arg(index.family, c('jaccard','sorensen')) > > # test for pre-existing betapart objects > if (! inherits(x, "betapart")){ > x <- betapart.core(x) > } > > # run the analysis given the index > switch(index.family, > sorensen = { > beta.sim <- x$min.not.shared / (x$min.not.shared + x$shared) > beta.sne <- ((x$max.not.shared - x$min.not.shared) / ((2 * > x$shared) + x$sum.not.shared)) * (x$shared / (x$min.not.shared + x$shared)) > beta.sor <- x$sum.not.shared / (2 * x$shared + x$sum.not.shared) > > pairwise <- list(beta.sim=as.dist(beta.sim), > beta.sne=as.dist(beta.sne),beta.sor=as.dist(beta.sor))}, > jaccard = { > beta.jtu <- (2*x$min.not.shared) / ((2*x$min.not.shared) + > x$shared) > beta.jne <- ((x$max.not.shared - x$min.not.shared) / (x$shared + > x$sum.not.shared)) * (x$shared / ((2*x$min.not.shared) + x$shared)) > beta.jac <- x$sum.not.shared / (x$shared + x$sum.not.shared) > > pairwise <- list(beta.jtu=as.dist(beta.jtu), > beta.jne=as.dist(beta.jne),beta.jac=as.dist(beta.jac))}) > > return(pairwise) > > } > > El 21/12/2015 a las 20:32, Carlos J. Gil Bellosta escribió: >> >> Hola, ¿qué tal? >> >> Haz tres cosas: >> >> 1) Prueba con subconjuntos de tus datos más pequeños: 1k, 2k, etc. a ver >> si >> funciona. >> 2) Mientras tanto, vigila el uso de memoria de tu máquina. En particular, >> los del proceso R. >> 3) Usa object.size para ver cuánto ocupan esos objetos que vas creando. >> >> Con eso verás dónde están los límites. Puede que la función beta.part no >> sea muy eficiente en términos de uso de la memoria. Los objetos que estás >> creando deberían ocupar menos de 5GB. >> >> En un sistema operativo normal y moderno deberías poder usar toda la RAM >> disponible. Usa (2) para ver cuánto come tu proceso de R. >> >> Un saludo, >> >> Carlos J. Gil Bellosta >> http://www.datanalytics.com >> >> El 21 de diciembre de 2015, 11:08, Ruben Bermad <ruben_bm en hotmail.com> >> escribió: >> >>> Hola a tod en s, >>> Soy nuevo en R-help-es, por lo que perdonadme si debería haber mandado >>> este email a una sección en particular. >>> Quería consultaros un error que me aparece en R al hacer una matriz de >>> disimilitud a partir de una tabla con 6000 columnas x 11000 filas. El >>> mensaje que da R es "cannot allocate vector of size 10Gb", y me resulta >>> extraño ya que tengo 64 Gb de RAM disponible. >>> He estado leyendo en los foros y manuales de R que si trabajo en una >>> máquina de 64 bits sea Windows o Linux R no debería de tener un límite >>> para >>> ubicar un objeto, y que debería de usar toda la memoria física y virtual >>> disponible, pero creo que no está siendo así. >>> Por ello quisiera preguntaros si vosotros sabéis como puedo ampliar la >>> memoria disponible (si este fuera de verdad el problema) o cómo puedo >>> ubicar el vector en el disco y que no use la RAM. >>> En concreto estoy intentando usar la función "beta.pair" del paquete >>> "betapart" >>> (https://cran.r-project.org/web/packages/betapart/betapart.pdf) >>> sobre la matriz de 6000x11000. Es en este punto donde R me da el mensaje >>> de >>> error. >>> Después me gustaría ejecutar la función "agnes" del paquete "cluster" o >>> la >>> función "hclust" del paquete "stats" sobre dicha matriz de disimilitud, y >>> supongo que tendré un problema similar. >>> El código exacto que he usado es:library(betapart)data_base # Base de >>> datos de 6000 columnas x 11000 filasdistance <- beta.pair (data_base, >>> index.family="sorensen") # Calculo de la matriz de disimilitud >>> beta_similarity <- distance$beta.sim # Selecciono el tipo de medida que >>> quiero >>> library(cluster)UPGMA<- agnes (beta_similarity ) # Análisis UPGMA >>> >>> Soluciones que he intentado: Ante los problemas que he tenido, he >>> intentado hacer la matriz de disimilitud en python. El problema es que no >>> hay una función optimizada para la medida de disimilitud que quiero >>> estimar >>> (índice de simpson), y he tenido que escribir un código para que haga los >>> cálculos por pares, pero va a tardar más de 8 días (y es un análisis que >>> tengo que repetir muchas veces y no me parece muy viable). Por ello >>> vuelvo >>> a R para intentar buscar una solución con el manejo de esta gran base de >>> datos. >>> Os agradecería cualquier tipo de ayuda. >>> Muchas gracias por adelantado, >>> Un cordial saludo, Rubén >>> >>> >>> [[alternative HTML version deleted]] >>> >>> >>> _______________________________________________ >>> R-help-es mailing list >>> R-help-es en r-project.org >>> https://stat.ethz.ch/mailman/listinfo/r-help-es >>> >> [[alternative HTML version deleted]] >> >> _______________________________________________ >> R-help-es mailing list >> R-help-es en r-project.org >> https://stat.ethz.ch/mailman/listinfo/r-help-es > > > -- > Dr Francisco Rodriguez-Sanchez > Integrative Ecology Group > Estacion Biologica de Doñana - CSIC > Avda. Americo Vespucio s/n > 41092 Sevilla (Spain) > http://bit.ly/frod_san > > > _______________________________________________ > R-help-es mailing list > R-help-es en r-project.org > https://stat.ethz.ch/mailman/listinfo/r-help-es
Yo creo que el problema principal está en betapart.core(), que crea y mantiene simultáneamente en memoria varios objetos de alrededor de 1 Gb que luego combina en una lista... Probablemente es entre las líneas el código de betaper.core donde hay que ir eliminando objetos. Saludos, Marcelino El 22/12/2015 a las 18:26, Carlos J. Gil Bellosta escribió:> Hola, ¿qué tal? > > Yo no entré a comentar lo que hacen ni beta.pair ni betapart.core, que > es la función a la que esta llama. Pero tanto la una como la otra > hacen puras operaciones de álgebra lineal (sobre todo betapart.core). > Esas operaciones deberían ser muy livianas en términos de uso de > memoria. El objeto resultante no deberia ocupar más de 1GB (una matriz > 11k x 11k). > > Así que si conviertes tus datos de entrada a matriz (en lugar de DF), > borras el DF y haces un gc() (para borrar el objeto grande enseguida) > y operas con con esa matriz, es fácil que no tengas problemas. ¡No > deberías tenerlos! > > Un saludo, > > Carlos J. Gil Bellosta > http:///www.datanalytics.com > > > > > > > El día 22 de diciembre de 2015, 11:25, Francisco Rodriguez Sanchez > <f.rodriguez.sanc en gmail.com> escribió: >> Hola Rubén, >> >> Totalmente de acuerdo con los consejos de Carlos. Ten en cuenta que aunque R >> disponga de varios (bastantes) GB de memoria, algunos de los objetos que va >> creando durante el proceso pueden consumirla por completo. Es decir, que >> aunque tu ordenador tenga 64GB de RAM, es posible que no queden 10 GB libres >> para almacenar un objeto (porque ya hay demasiados objetos grandes en la >> memoria). >> >> Sinceramente, más que intentar implementar los análisis en python 'de novo', >> creo que lo mejor es optimizar el código de R para evitar consumir toda la >> memoria. Por ejemplo, si miras el código de la función beta.pair del paquete >> betapart (pegado más abajo), verás que crea 3 objetos (beta.sim, beta.sne, y >> beta.sor) que probablemente son muy grandes. Y luego los convierte a cada >> uno en matriz de distancias (as.dist). En estas operaciones se te va la >> memoria, pues todos estos objetos están almacenados ahí. >> >> Por tanto, una solución fácil sería calcular cada una de estas cosas de una >> en una, y acto seguido almacenarla en disco y reiniciar R (o gestionar la >> memoria, con gc, etc, mira http://adv-r.had.co.nz/memory.html). Cuando ya lo >> tengas todo en disco puedes ir cargando objetos conforme los vayas >> necesitando. Si son demasiado grandes para leerlos, puedes usar el paquete >> ff y similares. Un manual muy bueno para big data en R: >> https://github.com/Robinlovelace/R-for-Big-Data. >> >> Así pues, desgranando y ejecutando una a unas las operaciones que ejecuta la >> función beta.pair, creo que puedes solucionar tu problema. O al menos eso >> espero! >> >> Mucha suerte >> >> Paco >> >> >> >> beta.pair <- function(x, index.family="sorensen"){ >> >> # test for a valid index >> index.family <- match.arg(index.family, c('jaccard','sorensen')) >> >> # test for pre-existing betapart objects >> if (! inherits(x, "betapart")){ >> x <- betapart.core(x) >> } >> >> # run the analysis given the index >> switch(index.family, >> sorensen = { >> beta.sim <- x$min.not.shared / (x$min.not.shared + x$shared) >> beta.sne <- ((x$max.not.shared - x$min.not.shared) / ((2 * >> x$shared) + x$sum.not.shared)) * (x$shared / (x$min.not.shared + x$shared)) >> beta.sor <- x$sum.not.shared / (2 * x$shared + x$sum.not.shared) >> >> pairwise <- list(beta.sim=as.dist(beta.sim), >> beta.sne=as.dist(beta.sne),beta.sor=as.dist(beta.sor))}, >> jaccard = { >> beta.jtu <- (2*x$min.not.shared) / ((2*x$min.not.shared) + >> x$shared) >> beta.jne <- ((x$max.not.shared - x$min.not.shared) / (x$shared + >> x$sum.not.shared)) * (x$shared / ((2*x$min.not.shared) + x$shared)) >> beta.jac <- x$sum.not.shared / (x$shared + x$sum.not.shared) >> >> pairwise <- list(beta.jtu=as.dist(beta.jtu), >> beta.jne=as.dist(beta.jne),beta.jac=as.dist(beta.jac))}) >> >> return(pairwise) >> >> } >> >> El 21/12/2015 a las 20:32, Carlos J. Gil Bellosta escribió: >>> >>> Hola, ¿qué tal? >>> >>> Haz tres cosas: >>> >>> 1) Prueba con subconjuntos de tus datos más pequeños: 1k, 2k, etc. a ver >>> si >>> funciona. >>> 2) Mientras tanto, vigila el uso de memoria de tu máquina. En particular, >>> los del proceso R. >>> 3) Usa object.size para ver cuánto ocupan esos objetos que vas creando. >>> >>> Con eso verás dónde están los límites. Puede que la función beta.part no >>> sea muy eficiente en términos de uso de la memoria. Los objetos que estás >>> creando deberían ocupar menos de 5GB. >>> >>> En un sistema operativo normal y moderno deberías poder usar toda la RAM >>> disponible. Usa (2) para ver cuánto come tu proceso de R. >>> >>> Un saludo, >>> >>> Carlos J. Gil Bellosta >>> http://www.datanalytics.com >>> >>> El 21 de diciembre de 2015, 11:08, Ruben Bermad <ruben_bm en hotmail.com> >>> escribió: >>> >>>> Hola a tod en s, >>>> Soy nuevo en R-help-es, por lo que perdonadme si debería haber mandado >>>> este email a una sección en particular. >>>> Quería consultaros un error que me aparece en R al hacer una matriz de >>>> disimilitud a partir de una tabla con 6000 columnas x 11000 filas. El >>>> mensaje que da R es "cannot allocate vector of size 10Gb", y me resulta >>>> extraño ya que tengo 64 Gb de RAM disponible. >>>> He estado leyendo en los foros y manuales de R que si trabajo en una >>>> máquina de 64 bits sea Windows o Linux R no debería de tener un límite >>>> para >>>> ubicar un objeto, y que debería de usar toda la memoria física y virtual >>>> disponible, pero creo que no está siendo así. >>>> Por ello quisiera preguntaros si vosotros sabéis como puedo ampliar la >>>> memoria disponible (si este fuera de verdad el problema) o cómo puedo >>>> ubicar el vector en el disco y que no use la RAM. >>>> En concreto estoy intentando usar la función "beta.pair" del paquete >>>> "betapart" >>>> (https://cran.r-project.org/web/packages/betapart/betapart.pdf) >>>> sobre la matriz de 6000x11000. Es en este punto donde R me da el mensaje >>>> de >>>> error. >>>> Después me gustaría ejecutar la función "agnes" del paquete "cluster" o >>>> la >>>> función "hclust" del paquete "stats" sobre dicha matriz de disimilitud, y >>>> supongo que tendré un problema similar. >>>> El código exacto que he usado es:library(betapart)data_base # Base de >>>> datos de 6000 columnas x 11000 filasdistance <- beta.pair (data_base, >>>> index.family="sorensen") # Calculo de la matriz de disimilitud >>>> beta_similarity <- distance$beta.sim # Selecciono el tipo de medida que >>>> quiero >>>> library(cluster)UPGMA<- agnes (beta_similarity ) # Análisis UPGMA >>>> >>>> Soluciones que he intentado: Ante los problemas que he tenido, he >>>> intentado hacer la matriz de disimilitud en python. El problema es que no >>>> hay una función optimizada para la medida de disimilitud que quiero >>>> estimar >>>> (índice de simpson), y he tenido que escribir un código para que haga los >>>> cálculos por pares, pero va a tardar más de 8 días (y es un análisis que >>>> tengo que repetir muchas veces y no me parece muy viable). Por ello >>>> vuelvo >>>> a R para intentar buscar una solución con el manejo de esta gran base de >>>> datos. >>>> Os agradecería cualquier tipo de ayuda. >>>> Muchas gracias por adelantado, >>>> Un cordial saludo, Rubén >>>> >>>> >>>> [[alternative HTML version deleted]] >>>> >>>> >>>> _______________________________________________ >>>> R-help-es mailing list >>>> R-help-es en r-project.org >>>> https://stat.ethz.ch/mailman/listinfo/r-help-es >>>> >>> [[alternative HTML version deleted]] >>> >>> _______________________________________________ >>> R-help-es mailing list >>> R-help-es en r-project.org >>> https://stat.ethz.ch/mailman/listinfo/r-help-es >> >> >> -- >> Dr Francisco Rodriguez-Sanchez >> Integrative Ecology Group >> Estacion Biologica de Doñana - CSIC >> Avda. Americo Vespucio s/n >> 41092 Sevilla (Spain) >> http://bit.ly/frod_san >> >> >> _______________________________________________ >> R-help-es mailing list >> R-help-es en r-project.org >> https://stat.ethz.ch/mailman/listinfo/r-help-es > > _______________________________________________ > R-help-es mailing list > R-help-es en r-project.org > https://stat.ethz.ch/mailman/listinfo/r-help-es >