TraMineR序列分析：批量计算距离是否可行？资源优化咨询

数据集与分析目标 #

• 身份：传播学者，TraMineR与序列分析新手
• 数据集结构：

• 分析层面：
  1. 参与者层面
  2. 会话层面（智能手机屏幕点亮至熄灭的连贯使用序列）
• 数据规模：近400名参与者，每人2000-5000个会话，总数据约140万个会话
• 核心目标：识别连续使用的APP类别序列

当前代码与资源瓶颈 #

以下是测试代码：

labels = seqstatl(sample$app_category)
states = 1:length(labels)

session_seq = seqdef(data = sample, 
                     var = c("session", "begin", "end", "app_category"), 
                     informat = "SPELL",
                     states = states,
                     labels = labels,
                     process = FALSE)

print(session_seq[1:15, ], format = "SPS")

# Using the transition rates between states observed in the sequence data
cost = seqsubm(session_seq, method = "TRATE", with.missing = TRUE)

# compute the distances using the matrix and the default indel cost of 1
session_seq_OM = seqdist(session_seq, method = "OM", sm = cost, with.missing = TRUE)
# --> Function crashed due to lack of RAM

• 遇到的问题：运行seqdist计算OM距离时因内存不足崩溃；即使使用单参与者约4000个会话生成的STS序列（含530个对象、1222844个变量），在1TB内存机器上仍因内存不足终止计算

核心疑问 #

• 有没有方法提升计算资源使用效率，避免内存溢出？
• 能否拆分数据集批量计算序列距离后再合并？这种操作会导致分析结果失真吗？
• 除TraMineR官方用户指南外，还有哪些实用的参考资料可以学习？

内容的提问来源于stack exchange，提问作者confused_person