Add comments to easily read code
authorBenjamin Auder <benjamin.auder@somewhere>
Fri, 10 Mar 2017 11:09:09 +0000 (12:09 +0100)
committerBenjamin Auder <benjamin.auder@somewhere>
Fri, 10 Mar 2017 11:09:09 +0000 (12:09 +0100)
epclust/R/clustering.R
epclust/R/main.R

index 14915ab..70d263e 100644 (file)
@@ -11,8 +11,8 @@
 #'   and then WER distances computations, before applying the clustering algorithm.
 #'   \code{computeClusters1()} and \code{computeClusters2()} correspond to the atomic
 #'   clustering procedures respectively for stage 1 and 2. The former applies the
-#'   clustering algorithm (PAM) on a contributions matrix, while the latter clusters
-#'   a chunk of series inside one task (~max nb_series_per_chunk)
+#'   first clustering algorithm on a contributions matrix, while the latter clusters
+#'   a set of series inside one task (~nb_items_clust)
 #'
 #' @param indices Range of series indices to cluster in parallel (initial data)
 #' @param getContribs Function to retrieve contributions from initial series indices:
@@ -31,11 +31,23 @@ NULL
 #' @rdname clustering
 #' @export
 clusteringTask1 = function(
-       indices, getContribs, K1, nb_items_per_chunk, ncores_clust=1, verbose=FALSE, parll=TRUE)
+       indices, getContribs, K1, nb_per_chunk, nb_items_clust, ncores_clust=1,
+       verbose=FALSE, parll=TRUE)
 {
        if (verbose)
                cat(paste("*** Clustering task 1 on ",length(indices)," lines\n", sep=""))
 
+
+
+
+
+
+##TODO: reviser le spreadIndices, tenant compte de nb_items_clust
+
+       ##TODO: reviser / harmoniser avec getContribs qui en récupère pt'et + pt'et - !!
+
+
+
        if (parll)
        {
                cl = parallel::makeCluster(ncores_clust)
index 86dac64..cbc92b1 100644 (file)
 #' @param K2 Number of clusters to be found after stage 2 (K2 << K1)
 #' @param nb_per_chunk (Maximum) number of items to retrieve in one batch, for both types of
 #'   retrieval: resp. series and contribution; in a vector of size 2
+#' @param algo_clust1 Clustering algorithm for stage 1. A function which takes (data, K)
+#'   as argument where data is a matrix in columns and K the desired number of clusters,
+#'   and outputs K medoids ranks. Default: PAM
+#' @param algo_clust2 Clustering algorithm for stage 2. A function which takes (dists, K)
+#'   as argument where dists is a matrix of distances and K the desired number of clusters,
+#'   and outputs K clusters representatives (curves). Default: k-means
 #' @param nb_items_clust1 (Maximum) number of items in input of the clustering algorithm
 #'   for stage 1
 #' @param wav_filt Wavelet transform filter; see ?wavelets::wt.filter
 #' digest::sha1(medoids_db)
 #' }
 #' @export
-claws <- function(getSeries, K1, K2,
-       nb_per_chunk,nb_items_clust1=7*K1 #volumes of data
-       wav_filt="d8",contrib_type="absolute", #stage 1
-       WER="end", #stage 2
-       random=TRUE, #randomize series order?
-       ntasks=1, ncores_tasks=1, ncores_clust=4, #parallelism
-       sep=",", #ASCII input separator
-       nbytes=4, endian=.Platform$endian, #serialization (write,read)
+claws <- function(getSeries, K1, K2, nb_per_chunk,
+       nb_items_clust1=7*K1,
+       algo_clust1=function(data,K) cluster::pam(data,K,diss=FALSE),
+       algo_clust2=function(dists,K) stats::kmeans(dists,K,iter.max=50,nstart=3),
+       wav_filt="d8",contrib_type="absolute",
+       WER="end",
+       random=TRUE,
+       ntasks=1, ncores_tasks=1, ncores_clust=4,
+       sep=",",
+       nbytes=4, endian=.Platform$endian,
        verbose=FALSE, parll=TRUE)
 {
        # Check/transform arguments
@@ -176,9 +184,16 @@ claws <- function(getSeries, K1, K2,
        verbose <- .toLogical(verbose)
        parll <- .toLogical(parll)
 
-       # Serialize series if required, to always use a function
+       # Since we don't make assumptions on initial data, there is a possibility that even
+       # when serialized, contributions or synchrones do not fit in RAM. For example,
+       # 30e6 series of length 100,000 would lead to a +4Go contribution matrix. Therefore,
+       # it's safer to place these in (binary) files, located in the following folder.
        bin_dir <- ".epclust_bin/"
        dir.create(bin_dir, showWarnings=FALSE, mode="0755")
+
+       # Binarize series if getSeries is not a function; the aim is to always use a function,
+       # to uniformize treatments. An equally good alternative would be to use a file-backed
+       # bigmemory::big.matrix, but it would break the uniformity.
        if (!is.function(getSeries))
        {
                if (verbose)
@@ -199,14 +214,43 @@ claws <- function(getSeries, K1, K2,
                contribs_file, nb_series_per_chunk, nbytes, endian)
        getContribs = function(indices) getDataInFile(indices, contribs_file, nbytes, endian)
 
+       # A few sanity checks: do not continue if too few data available.
        if (nb_curves < K2)
                stop("Not enough data: less series than final number of clusters")
        nb_series_per_task = round(nb_curves / ntasks)
        if (nb_series_per_task < K2)
                stop("Too many tasks: less series in one task than final number of clusters")
 
+       # Generate a random permutation of 1:N (if random==TRUE); otherwise just use arrival
+       # (storage) order.
+       indices_all = if (random) sample(nb_curves) else seq_len(nb_curves)
+       # Split (all) indices into ntasks groups of ~same size
+       indices_tasks = lapply(seq_len(ntasks), function(i) {
+               upper_bound = ifelse( i<ntasks, min(nb_series_per_task*i,nb_curves), nb_curves )
+               indices_all[((i-1)*nb_series_per_task+1):upper_bound]
+       })
+
+       if (parll && ntasks>1)
+       {
+               # Initialize parallel runs: outfile="" allow to output verbose traces in the console
+               # under Linux. All necessary variables are passed to the workers.
+               cl = parallel::makeCluster(ncores_tasks, outfile="")
+               varlist = c("getSeries","getContribs","K1","K2","algo_clust1","algo_clust2",
+                       "nb_per_chunk","nb_items_clust","ncores_clust","sep","nbytes","endian",
+                       "verbose","parll")
+               if (WER=="mix")
+                       varlist = c(varlist, "medoids_file")
+               parallel::clusterExport(cl, varlist, envir = environment())
+       }
+
+       # This function achieves one complete clustering task, divided in stage 1 + stage 2.
+       # stage 1: n indices  --> clusteringTask1(...) --> K1 medoids
+       # stage 2: K1 medoids --> clusteringTask2(...) --> K2 medoids,
+       # where n = N / ntasks, N being the total number of curves.
        runTwoStepClustering = function(inds)
        {
+               # When running in parallel, the environment is blank: we need to load required
+               # packages, and pass useful variables.
                if (parll && ntasks>1)
                        require("epclust", quietly=TRUE)
                indices_medoids = clusteringTask1(
@@ -218,18 +262,18 @@ claws <- function(getSeries, K1, K2,
                        medoids1 = bigmemory::as.big.matrix( getSeries(indices_medoids) )
                        medoids2 = clusteringTask2(medoids1, K2, getSeries, nb_curves, nb_series_per_chunk,
                                nbytes, endian, ncores_clust, verbose, parll)
-                       binarize(medoids2, synchrones_file, nb_series_per_chunk, sep, nbytes, endian)
+                       binarize(medoids2, medoids_file, nb_series_per_chunk, sep, nbytes, endian)
                        return (vector("integer",0))
                }
                indices_medoids
        }
 
-       # Cluster contributions in parallel (by nb_series_per_chunk)
-       indices_all = if (random) sample(nb_curves) else seq_len(nb_curves)
-       indices_tasks = lapply(seq_len(ntasks), function(i) {
-               upper_bound = ifelse( i<ntasks, min(nb_series_per_task*i,nb_curves), nb_curves )
-               indices_all[((i-1)*nb_series_per_task+1):upper_bound]
-       })
+       # Synchrones (medoids) need to be stored only if WER=="mix"; indeed in this case, every
+       # task output is a set of new (medoids) curves. If WER=="end" however, output is just a
+       # set of indices, representing some initial series.
+       if (WER=="mix")
+               {medoids_file = paste(bin_dir,"medoids",sep="") ; unlink(medoids_file)}
+
        if (verbose)
        {
                message = paste("...Run ",ntasks," x stage 1", sep="")
@@ -237,19 +281,10 @@ claws <- function(getSeries, K1, K2,
                        message = paste(message," + stage 2", sep="")
                cat(paste(message,"\n", sep=""))
        }
-       if (WER=="mix")
-               {synchrones_file = paste(bin_dir,"synchrones",sep="") ; unlink(synchrones_file)}
-       if (parll && ntasks>1)
-       {
-               cl = parallel::makeCluster(ncores_tasks, outfile="")
-               varlist = c("getSeries","getContribs","K1","K2","verbose","parll",
-                       "nb_series_per_chunk","ntasks","ncores_clust","sep","nbytes","endian")
-               if (WER=="mix")
-                       varlist = c(varlist, "synchrones_file")
-               parallel::clusterExport(cl, varlist=varlist, envir = environment())
-       }
 
-       # 1000*K1 indices [if WER=="end"], or empty vector [if WER=="mix"] --> series on file
+       # As explained above, indices will be assigned to ntasks*K1 medoids indices [if WER=="end"],
+       # or nothing (empty vector) if WER=="mix"; in this case, medoids (synchrones) are stored
+       # in a file.
        indices <-
                if (parll && ntasks>1)
                        unlist( parallel::parLapply(cl, indices_tasks, runTwoStepClustering) )
@@ -258,13 +293,20 @@ claws <- function(getSeries, K1, K2,
        if (parll && ntasks>1)
                parallel::stopCluster(cl)
 
+       # Right before the final stage, two situations are possible:
+       #  a. data to be processed now sit in binary format in medoids_file (if WER=="mix")
+       #  b. data still is the initial set of curves, referenced by the ntasks*K1 indices
+       # So, the function getSeries() will potentially change. However, computeSynchrones()
+       # requires a function retrieving the initial series. Thus, the next line saves future
+       # conditional instructions.
        getRefSeries = getSeries
+
        if (WER=="mix")
        {
                indices = seq_len(ntasks*K2)
-               #Now series must be retrieved from synchrones_file
+               # Now series must be retrieved from synchrones_file
                getSeries = function(inds) getDataInFile(inds, synchrones_file, nbytes, endian)
-               #Contributions must be re-computed
+               # Contributions must be re-computed
                unlink(contribs_file)
                index = 1
                if (verbose)
@@ -283,9 +325,11 @@ claws <- function(getSeries, K1, K2,
        medoids2 = clusteringTask2(medoids1, K2, getRefSeries, nb_curves, nb_series_per_chunk,
                nbytes, endian, ncores_tasks*ncores_clust, verbose, parll)
 
-       # Cleanup
+       # Cleanup: remove temporary binary files and their folder
        unlink(bin_dir, recursive=TRUE)
 
+       # Return medoids as a standard matrix, since K2 series have to fit in RAM
+       # (clustering algorithm 1 takes K1 > K2 of them as input)
        medoids2[,]
 }