MATLAB 计算 9 元素向量的 Spearman 秩相关性太慢

MATLAB is too slow calculation of Spearman's rank correlation for 9-element vectors

我需要计算具有不同长度的向量对(例如 5 元素向量到 20 元素向量)的 Spearman 秩相关性(使用 corr 函数)。每个长度的对数通常在 300 对以上。我用 waitbar 跟踪进度。我注意到,对于 9 元素的向量对,它需要非常长的时间,而对于其他长度(更大和更小),它需要非常短的时间。由于公式完全相同,问题一定出在 MATLAB 函数 corr.

我编写了以下代码来验证问题出在 corr 函数而不是我除 'corr' 之外的其他计算,其中所有计算(包括 'corr')发生在 2 或 3 个 'for' 循环中。代码重复计时50次以避免意外结果。

结果是 bar graph,证实 MATLAB 计算 9 元素向量的 Spearman 秩相关需要很长时间。由于我的计算量不大,所以这个问题不会导致无休止的等待,只是增加了整个过程的总耗时。谁能告诉我是什么原因导致了这个问题以及如何避免它?

Times1 = zeros(20,50);

for i = 5:20
    for j = 1:50
        tic
        A = rand(i,2);
        [r,p] = corr(A(:,1),A(:,2),'type','Spearman');
        Times1(i,j) = toc;
    end
end

Times2 = mean(Times1,2);

bar(Times2);
xticks(1:25);
xlabel('number of elements in vectors');
ylabel('average time');

经过一些调查,我想我找到了这个非常有趣的问题的根源。我的测试已经使用内置的 Matlab profiler 对每个外部迭代进行了分析,如下所示:

res = cell(20,1);

for i = 5:20
    profile clear;
    profile on -history;

    for j = 1:50
        uni = rand(i,2);
        corr(uni(:,1),uni(:,2),'type','Spearman');
    end

    profile off;
    p = profile('info');

    res{i} = p.FunctionTable;
end

生成的输出如下所示:

我注意到的第一件事是,行数小于或等于 9 的矩阵的 Spearman 相关性的计算方式与行数 10 或更多行的矩阵的计算方式不同.对于前者,corr 函数内部调用的函数是:

 Function                Number of Calls
----------------------- -----------------
'factorial'             100
'tiedrank>tr'           100
'tiedrank'              100
'corr>pvalSpearman'     50
'corr>rcumsum'          50
'perms>permsr'          50
'perms'                 50
'corr>spearmanExactSub' 50
'corr>corrPearson'      50
'corr>corrSpearman'     50
'corr'                  50
'parseArgs'             50
'parseArgs'             50

对于后者,corr函数内部调用的函数是:

 Function                Number of Calls
----------------------- -----------------
'tiedrank>tr'           100
'tiedrank'              100
'corr>AS89'             50
'corr>pvalSpearman'     50
'corr>corrPearson'      50
'corr>corrSpearman'     50
'corr'                  50
'parseArgs'             50
'parseArgs'             50

由于 10 行或更多行的矩阵的 Spearman 相关性的计算似乎 运行 顺利且快速并且没有显示任何性能瓶颈的证据,我决定避免浪费时间调查这个事实,我把重点放在了主要问题上:小矩阵。

我试图了解具有 5 行的矩阵和具有 9 行的矩阵(表现最差的矩阵)的整个过程执行时间之间的差异。这是我使用的代码:

res5 = res{5,1};
res5_tt = [res5.TotalTime];
res5_tt_perc = ((res5_tt ./ sum(res5_tt)) .* 100).';

res9_tt = [res{9,1}.TotalTime];
res9_tt_perc = ((res9_tt ./ sum(res9_tt)) .* 100).';

res_diff = res9_tt_perc - res5_tt_perc;
[~,res_diff_sort] = sort(res_diff,'desc');

tab = [cellstr(char(res5.FunctionName)) num2cell([res5_tt_perc res9_tt_perc res_diff])];
tab = tab(res_diff_sort,:);
tab = cell2table(tab,'VariableNames',{'Function' 'TT_M5' 'TT_M9' 'DIFF'});

结果如下:

       Function                  TT_M5                TT_M9                  DIFF       
_______________________    _________________    __________________    __________________

'corr>spearmanExactSub'     7.14799963478685      16.2879721171023       9.1399724823154
'corr>pvalSpearman'         7.98185309750143      16.3043118970503      8.32245879954885
'perms>permsr'              3.47311716905926      8.73599255035966      5.26287538130039
'perms'                     4.58132952553723      8.77488502392486      4.19355549838763
'corr>corrSpearman'          15.629476293326       16.440893059217     0.811416765890929
'corr>rcumsum'             0.510550019981949    0.0152486312660671    -0.495301388715882
'factorial'                0.669357868472376    0.0163923929871943    -0.652965475485182
'parseArgs'                 1.54242684137027    0.0309456171268161     -1.51148122424345
'tiedrank>tr'               2.37642998160463     0.041010720272735      -2.3354192613319
'parseArgs'                  2.4288171135289    0.0486075856244615     -2.38020952790444
'corr>corrPearson'          2.49766877262937    0.0484657591710417     -2.44920301345833
'tiedrank'                  3.16762535118088    0.0543584195582888     -3.11326693162259
'corr'                      21.8214856092549      16.5664346332513     -5.25505097600355

发现瓶颈后,我开始分析内部代码(open corr),终于找到了问题的原因。在spearmanExactSub中,正在执行这部分代码(其中n是矩阵的行数):

n = arg1;
nfact = factorial(n);
Dperm = sum((repmat(1:n,nfact,1) - perms(1:n)).^2, 2);

正在计算值范围从 1n 的向量的排列。这就是增加函数的计算复杂性(显然还有计算时间)的原因。其他操作,例如 1:nfactorial(n) 上的后续 repmat 以及低于该点的操作,会导致情况恶化。现在,长话短说...

factorial(5) = 120
factorial(6) = 720
factorial(7) = 5040
factorial(8) = 40320
factorial(9) = 362880

您能看出为什么在 59 之间,您的条形图显示 "exponentially" 计算时间增加的原因吗?

附带说明一下,您无法解决此问题,除非您找到另一个不存在相同瓶颈的 Spearman 相关性实现,或者您自己实现。