最近拿到了SEER的癌症发病数据，准备做一些流行病学的分析。但是SEER提供的数据是经过编码的，如果不使用他们定制的分析软件就只能先自己转码后再进行分析。我还是更喜欢用R一些，所以果断选择后者。

这套数据编码后能压缩掉不少空间，但是要分析的时候也挺麻烦的，由于是根据position来确定变量数值，因此解码就是把这些变量按position和length信息分隔开来，详细的编码情况如下：

然后我就根据编码规则在写了如下的R代码：

#install.packages('stringr')

library(stringr)

raw_data <- readLines(

  '~/SSA-LungCancer/datasets/SEER_1975_2016_TEXTDATA/incidence/yr1975_2016.seer9/RESPIR.TXT')

transcode_data <- setNames(data.frame(matrix(ncol = 143, nrow = 0)), c("PUBCSNUM", "REG", 

                         "YR_BRTH", "SEQ_NUM", "MDXRECMP", "YEAR_DX", "PRIMSITE", "LATERAL", 

                         "HISTO2V", "BEHO2V", "HISTO3V", "BEHO3V", "GRADE", "DX_CONF", 

                         #此处省略100+变量

                         "TNMEDNUM", "METSDXLN", "METSDXO"))

for(i in c(1:length(raw_data))){
transcode_data[i,1] <- str_sub(raw_data[i], start = 1,end = 8)
transcode_data[i,2] <- str_sub(raw_data[i], start = 9,end = 18)
transcode_data[i,3] <- str_sub(raw_data[i], start = 19,end = 19)
#此处省略100+行
print(paste(“Row”, i, “Transcoded”))
}
write.csv(transcode_data,file = “~/SSA-LungCancer/processed_data/seer_1975_2016_respir_incidence.csv”)

然后就跑呀！在云筏的R云服务器中跑的，他们的服务器CPU主频是3.6GHz，应该是目前云厂商中最高的了（阿里云的多为2.6GHz），比我2.2GHz的笔记本好太多。但是....

实在是太慢了，半小时才跑了十分之一，不能忍！我反省！

的确是我的代码写的有问题，为什么要用循环分割的方法呢？然而我也没想到什么更好的算法，那就从算力角度来看看怎么加速吧。于是进terminal用top看看：

emm...单核跑满了，众所周知for循环是要一个个来的，因此也只能单线程计算。那么就简单了，这个数据的拆分工作是相互独立的，我们用多线程呗~

使用到的R包：parallel/doParallel/foreach
代码如下：

#install.packages('stringr', 'doParallel')

library(doParallel)

library(stringr)

#read data

raw_data <- readLines(

  '~/SSA-LungCancer/datasets/SEER_1975_2016_TEXTDATA/incidence/yr1975_2016.seer9/RESPIR.TXT')

#define dataframe

transcode_data <- setNames(data.frame(matrix(ncol = 143, nrow = 0)), c("PUBCSNUM", "REG", 

                         "YR_BRTH", "SEQ_NUM", "MDXRECMP", "YEAR_DX", "PRIMSITE", "LATERAL", 

                         "HISTO2V", "BEHO2V", "HISTO3V", "BEHO3V", "GRADE", "DX_CONF", 

                         #此处省略100+变量

                         "TNMEDNUM", "METSDXLN", "METSDXO"))

#configure multi-threading

numCores <- detectCores()

registerDoParallel(numCores)

#transcode

foreach(i = 1:length(raw_data)) %dopar% {

  transcode_data[i,1] <- str_sub(raw_data[i], start = 1,end = 8)

  transcode_data[i,2] <- str_sub(raw_data[i], start = 9,end = 18)

  transcode_data[i,3] <- str_sub(raw_data[i], start = 19,end = 19)

  #此处省略100+行

  print(paste("Row", i, "Transcoded"))

}

#write to file

write.csv(transcode_data,file = "~/SSA-LungCancer/processed_data/seer_1975_2016_respir_incidence.csv")

写好后立刻试一下速度，大幅提升速度妥妥的！

再来看一下线程的使用情况：

这时候有同学就要问了，明明是用了12个线程，为什么没有得到12倍的效果呢？那是因为单线程的时候CPU自动睿频了，云筏的R服务器真的是良心呀！

以为这样就结束了吗！并没有！我~还~要~更~快~

我发现到了后面数据框的输入越来越慢，目测是因为数据量太大造成的内存问题，于是我又改进了一下代码：不追加到数据框中，直接写入文件尾部。

write.table(matrix(as.character(transcode_data), nrow=1), sep=",", 

        file = "~/SSA-LungCancer/processed_data/seer_1975_2016_respir_incidence.txt", 

        append = T, row.names=FALSE, col.names=FALSE)

实际上也就是改了两个部分，其中最主要的还是追加写入文件尾部。这样速度快了很多，实际测试下来66万行数据的录入只花了6分钟不到，再次提速！