File Coverage

blib/lib/Fsdb/Filter/dbcolscorrelate.pm
Criterion Covered Total %
statement 27 128 21.0
branch 0 30 0.0
condition 0 6 0.0
subroutine 9 18 50.0
pod 5 5 100.0
total 41 187 21.9


line stmt bran cond sub pod time code
1             #!/usr/bin/perl
2              
3             #
4             # dbcolscorrelate.pm
5             # Copyright (C) 1998-2015 by John Heidemann
6             # $Id: bdcf1da03251b46bded7f59984e64e7f5060ae46 $
7             #
8             # This program is distributed under terms of the GNU general
9             # public license, version 2. See the file COPYING
10             # in $dblibdir for details.
11             #
12              
13             package Fsdb::Filter::dbcolscorrelate;
14              
15             =head1 NAME
16              
17             dbcolscorrelate - find the coefficient of correlation over columns
18              
19             =head1 SYNOPSIS
20              
21             dbcolscorrelate column1 column2 [column3...]
22              
23             =head1 DESCRIPTION
24              
25             Compute the coefficient of correlation over two (or more) columns.
26              
27             The output is one line of correlations.
28              
29             With exactly two columns, a new column I is created.
30              
31             With more than two columns, correlations are computed for each
32             pairwise combination of rows, and each output column
33             is given a name which is the concatenation of the two source rows,
34             joined with an underscore.
35              
36             By default, we compute the I
37             (usually designed rho, E<0x03c1>)
38             and assume we see all members of the population.
39             With the B<--sample> option we instead compute the
40             I, usually designated I.
41             (Be careful in that the default here to full-population
42             is the I of the default in L.)
43              
44             This program requires a complete copy of the input data on disk.
45              
46             =head1 OPTIONS
47              
48             =over 4
49              
50             =item B<--sample>
51              
52             Select a the Pearson product-moment correlation coefficient
53             (the "sample correlation coefficient", usually designated I).
54              
55             =item B<--nosample>
56              
57             Select a the Pearson product-moment correlation coefficient
58             (the "sample correlation coefficient", usually designated I).
59              
60              
61              
62             =item B<-f FORMAT> or B<--format FORMAT>
63              
64             Specify a L-style format for output statistics.
65             Defaults to C<%.5g>.
66              
67             =item B<-T TmpDir>
68              
69             where to put tmp files.
70             Also uses environment variable TMPDIR, if -T is
71             not specified.
72             Default is /tmp.
73              
74             =back
75              
76             =for comment
77             begin_standard_fsdb_options
78              
79             This module also supports the standard fsdb options:
80              
81             =over 4
82              
83             =item B<-d>
84              
85             Enable debugging output.
86              
87             =item B<-i> or B<--input> InputSource
88              
89             Read from InputSource, typically a file name, or C<-> for standard input,
90             or (if in Perl) a IO::Handle, Fsdb::IO or Fsdb::BoundedQueue objects.
91              
92             =item B<-o> or B<--output> OutputDestination
93              
94             Write to OutputDestination, typically a file name, or C<-> for standard output,
95             or (if in Perl) a IO::Handle, Fsdb::IO or Fsdb::BoundedQueue objects.
96              
97             =item B<--autorun> or B<--noautorun>
98              
99             By default, programs process automatically,
100             but Fsdb::Filter objects in Perl do not run until you invoke
101             the run() method.
102             The C<--(no)autorun> option controls that behavior within Perl.
103              
104             =item B<--help>
105              
106             Show help.
107              
108             =item B<--man>
109              
110             Show full manual.
111              
112             =back
113              
114             =for comment
115             end_standard_fsdb_options
116              
117              
118             =head1 SAMPLE USAGE
119              
120             =head2 Input:
121              
122             #fsdb name id test1 test2
123             a 1 80 81
124             b 2 70 71
125             c 3 65 66
126             d 4 90 91
127             e 5 70 71
128             f 6 90 91
129              
130             =head2 Command:
131              
132             cat DATA/more_grades.fsdb | dbcolscorrelate test1 test2
133              
134             =head2 Output:
135              
136             #fsdb correlation
137             0.83329
138             # | dbcolscorrelate test1 test2
139              
140              
141             =head1 SEE ALSO
142              
143             L,
144             L,
145             L.
146              
147              
148             =head1 CLASS FUNCTIONS
149              
150             =cut
151              
152             @ISA = qw(Fsdb::Filter);
153             $VERSION = 2.0;
154              
155 1     1   7358 use strict;
  1         4  
  1         40  
156 1     1   7 use Pod::Usage;
  1         2  
  1         118  
157 1     1   8 use Carp;
  1         3  
  1         75  
158              
159 1     1   10 use Fsdb::Filter;
  1         3  
  1         33  
160 1     1   8 use Fsdb::IO::Reader;
  1         3  
  1         29  
161 1     1   6 use Fsdb::IO::Writer;
  1         3  
  1         42  
162 1     1   8 use Fsdb::Support qw($is_numeric_regexp);
  1         3  
  1         98  
163 1     1   8 use Fsdb::Support::NamedTmpfile;
  1         3  
  1         36  
164 1     1   7 use Fsdb::Filter::dbpipeline qw(dbpipeline_open2 dbpipeline_close2_hash dbcolstats);
  1         2  
  1         1693  
165              
166              
167             =head2 new
168              
169             $filter = new Fsdb::Filter::dbcolscorrelate(@arguments);
170              
171             Create a new dbcolscorrelate object, taking command-line arguments.
172              
173             =cut
174              
175             sub new ($@) {
176 0     0 1   my $class = shift @_;
177 0           my $self = $class->SUPER::new(@_);
178 0           bless $self, $class;
179 0           $self->set_defaults;
180 0           $self->parse_options(@_);
181 0           $self->SUPER::post_new();
182 0           return $self;
183             }
184              
185              
186             =head2 set_defaults
187              
188             $filter->set_defaults();
189              
190             Internal: set up defaults.
191              
192             =cut
193              
194             sub set_defaults ($) {
195 0     0 1   my($self) = @_;
196 0           $self->SUPER::set_defaults();
197 0           $self->{_format} = "%.5g";
198 0           $self->{_columns} = [];
199 0           $self->{_include_non_numeric} = undef;
200 0           $self->{_sample} = undef;
201 0           $self->{_fscode} = undef;
202 0           $self->set_default_tmpdir;
203             }
204              
205             =head2 parse_options
206              
207             $filter->parse_options(@ARGV);
208              
209             Internal: parse command-line arguments.
210              
211             =cut
212              
213             sub parse_options ($@) {
214 0     0 1   my $self = shift @_;
215              
216 0           my(@argv) = @_;
217             $self->get_options(
218             \@argv,
219 0     0     'help|?' => sub { pod2usage(1); },
220 0     0     'man' => sub { pod2usage(-verbose => 2); },
221             'a|include-non-numeric!' => \$self->{_include_non_numeric},
222             'autorun!' => \$self->{_autorun},
223             'd|debug+' => \$self->{_debug},
224             'f|format=s' => \$self->{_format},
225             'F|fs|cs|fieldseparator|columnseparator=s' => \$self->{_fscode},
226 0     0     'i|input=s' => sub { $self->parse_io_option('input', @_); },
227             'log!' => \$self->{_logprog},
228             's|sample!' => \$self->{_sample},
229             'T|tmpdir|tempdir=s' => \$self->{_tmpdir},
230 0     0     'o|output=s' => sub { $self->parse_io_option('output', @_); },
231 0 0         ) or pod2usage(2);
232 0           push (@{$self->{_columns}}, @argv);
  0            
233             }
234              
235             =head2 setup
236              
237             $filter->setup();
238              
239             Internal: setup, parse headers.
240              
241             =cut
242              
243             sub setup ($) {
244 0     0 1   my($self) = @_;
245              
246 0           $self->finish_io_option('input', -comment_handler => $self->create_pass_comments_sub);
247              
248             croak $self->{_prog} . ": at least two columns must be specified to compute a correlation.\n"
249 0 0         if ($#{$self->{_columns}} < 1);
  0            
250 0           my @output_columns;
251             my %columns_processed;
252 0           foreach my $i (0..$#{$self->{_columns}}) {
  0            
253 0           my $column = $self->{_columns}[$i];
254             croak $self->{_prog} . ": column $column is double-listed as an input column (not allowed).\n"
255 0 0         if (defined($columns_processed{$column}));
256 0           $columns_processed{$column} = 1;
257 0           $self->{_colis}[$i] = $self->{_in}->col_to_i($column);
258             croak $self->{_prog} . ": column $column does not exist in the input stream.\n"
259 0 0         if (!defined($self->{_colis}[$i]));
260 0           foreach my $j (0..$#{$self->{_columns}}) {
  0            
261 0 0         next if ($i >= $j);
262 0           push(@output_columns, $self->{_columns}[$i] . "_" . $self->{_columns}[$j]);
263             };
264             };
265             # if only one column, it has a special name
266 0 0         $output_columns[0] = 'correlation'
267             if ($#output_columns == 0);
268 0           my @output_options = (-cols => \@output_columns);
269             unshift (@output_options, -fscode => $self->{_fscode})
270 0 0         if (defined($self->{_fscode}));
271 0           $self->finish_io_option('output', @output_options);
272             };
273              
274              
275             =head2 run
276              
277             $filter->run();
278              
279             Internal: run over each rows.
280              
281             =cut
282             sub run ($) {
283 0     0 1   my($self) = @_;
284              
285             #
286             # First, read data and save it to a file,
287             # and send each relevant column off to get stats.
288             #
289 0           $self->{_copy_filename} = Fsdb::Support::NamedTmpfile::alloc($self->{_tmpdir});
290             my $copy_writer = new Fsdb::IO::Writer(-file => $self->{_copy_filename},
291 0           -clone => $self->{_in});
292              
293 0           my $read_fastpath_sub = $self->{_in}->fastpath_sub();
294 0           my $copy_fastpath_sub = $copy_writer->fastpath_sub();
295              
296             # and take stats
297 0           my(@stats_source_queues);
298             my(@stats_sinks);
299 0           my(@stats_threads);
300 0           my $columns_aref = $self->{_columns};
301 0           my $colis_aref = $self->{_colis};
302 0           foreach (0..$#$columns_aref) {
303             ($stats_source_queues[$_], $stats_sinks[$_], $stats_threads[$_]) =
304 0 0         dbpipeline_open2([-cols => [qw(data)]], dbcolstats(($self->{_sample} ? '--sample' : '--nosample'), 'data'));
305             }
306 0           my $fref;
307 0           while ($fref = &$read_fastpath_sub()) {
308             # copy and send to stats
309 0           $copy_writer->write_rowobj($fref);
310             # with forking we have to close output explicitly
311             # otherwise we block on the pipe(2) to the subprocesses.
312 0           foreach (0..$#$columns_aref) {
313 0           $stats_sinks[$_]->write_row($fref->[$colis_aref->[$_]]);
314             };
315             };
316             # close up both
317 0           $copy_writer->close;
318 0           foreach (0..$#$columns_aref) {
319 0           $stats_sinks[$_]->close;
320 0           $stats_sinks[$_] = undef;
321             };
322 0           my @means;
323             my @stddevs;
324 0           foreach (0..$#$columns_aref) {
325 0           my $stats_href = dbpipeline_close2_hash($stats_source_queues[$_], $stats_sinks[$_], $stats_threads[$_]);
326 0           $means[$_] = $stats_href->{'mean'};
327 0 0         croak $self->{_prog} . ": column " . $columns_aref->[$_] . " does not have valid mean.\n"
328             if (!defined($means[$_]));
329 0           $stddevs[$_] = $stats_href->{'stddev'};
330 0 0         croak $self->{_prog} . ": column " . $columns_aref->[$_] . " does not have valid standard deviation.\n"
331             if (!defined($stddevs[$_]));
332             };
333              
334             #
335             # Now read back the data,
336             # compute the z-scores on the fly,
337             # and use that to compute the correlation.
338             #
339 0           $self->{_in}->close;
340             $self->{_in} = new Fsdb::IO::Reader(-file => $self->{_copy_filename},
341 0           -comment_handler => $self->create_pass_comments_sub);
342 0           my $sum_zs;
343             my $ns;
344 0           foreach my $i (0..$#$columns_aref) {
345 0           foreach my $j (0..$#$columns_aref) {
346 0 0         next if ($i >= $j);
347 0           $sum_zs->[$i][$j] = 0;
348 0           $ns->[$i][$j] = 0;
349             };
350             };
351            
352 0           $read_fastpath_sub = $self->{_in}->fastpath_sub(); # regenerate with copy stream
353 0           while ($fref = &$read_fastpath_sub()) {
354 0           my @zs;
355              
356             # compute z-score
357 0           foreach (0..$#$columns_aref) {
358 0           my $x = $fref->[$colis_aref->[$_]];
359 0 0         if ($x !~ /$is_numeric_regexp/) {
360 0           $zs[$_] = undef;
361             } else {
362 0           $zs[$_] = ($x - $means[$_]) / $stddevs[$_];
363             };
364             };
365              
366             # and compute running stats for correlations
367 0           foreach my $i (0..$#$columns_aref) {
368 0           foreach my $j (0..$#$columns_aref) {
369 0 0 0       next if ($i >= $j ||!defined($zs[$i]) || !defined($zs[$j]));
      0        
370 0           $sum_zs->[$i][$j] += $zs[$i] * $zs[$j];
371 0           ($ns->[$i][$j])++;
372             };
373             };
374             };
375              
376             #
377             # Finally output the results.
378             #
379 0           my(@correlations);
380 0           foreach my $i (0..$#$columns_aref) {
381 0           foreach my $j (0..$#$columns_aref) {
382 0 0         next if ($i >= $j);
383 0 0         if ($ns->[$i][$j] == 0) {
384 0           push(@correlations, $self->{_empty});
385             } else {
386 0           my $c = $sum_zs->[$i][$j] / $ns->[$i][$j];
387 0           push(@correlations, $self->numeric_formatting($c));
388             };
389             };
390             };
391 0           $self->{_out}->write_row_from_aref(\@correlations);
392             };
393              
394             =head1 AUTHOR and COPYRIGHT
395              
396             Copyright (C) 1991-2015 by John Heidemann
397              
398             This program is distributed under terms of the GNU general
399             public license, version 2. See the file COPYING
400             with the distribution for details.
401              
402             =cut
403              
404             1;