R读取一个巨大的csv

Posted 2023-02-16

【中文标题】R读取一个巨大的csv

【英文标题】：R reading a huge csv

【发布时间】：2016-11-26 22:26:00

【问题描述】：

我有一个巨大的 csv 文件。它的大小约为 9 GB。我有 16 GB 的内存。我遵循了page 的建议并在下面实施了它们。

If you get the error that R cannot allocate a vector of length x, close out of R and add the following line to the ``Target'' field: 
--max-vsize=500M 

我仍然收到以下错误和警告。我应该如何将 9 GB 的文件读入我的 R？我有 R 64 位 3.3.1，并且我在 rstudio 0.99.903 中运行以下命令。我有 windows server 2012 r2 标准，64 位操作系统。

> memory.limit()
[1] 16383
> answer=read.csv("C:/Users/a-vs/results_20160291.csv")
Error: cannot allocate vector of size 500.0 Mb
In addition: There were 12 warnings (use warnings() to see them)
> warnings()
Warning messages:
1: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
2: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
3: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
4: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
5: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
6: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
7: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
8: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
9: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
10: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
11: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)
12: In scan(file = file, what = what, sep = sep, quote = quote,  ... :
  Reached total allocation of 16383Mb: see help(memory.size)

------- 更新1

我的第一次尝试基于建议的答案

> thefile=fread("C:/Users/a-vs/results_20160291.csv", header = T)
Read 44099243 rows and 36 (of 36) columns from 9.399 GB file in 00:13:34
Warning messages:
1: In fread("C:/Users/a-vsingh/results_tendo_20160201_20160215.csv",  :
  Reached total allocation of 16383Mb: see help(memory.size)
2: In fread("C:/Users/a-vsingh/results_tendo_20160201_20160215.csv",  :
  Reached total allocation of 16383Mb: see help(memory.size)

------- 更新2

根据建议的答案，我的第二次尝试如下

thefile2 <- read.csv.ffdf(file="C:/Users/a-vs/results_20160291.csv", header=TRUE, VERBOSE=TRUE, 
+                    first.rows=-1, next.rows=50000, colClasses=NA)
read.table.ffdf 1..
Error: cannot allocate vector of size 125.0 Mb
In addition: There were 14 warnings (use warnings() to see them)

如何将这个文件读入单个对象，以便一次分析整个数据

-----------------更新 3

我们买了一台昂贵的机器。它有 10 个内核和 256 GB 内存。这不是最有效的解决方案，但至少在不久的将来会奏效。我看了下面的答案，但我认为它们不能解决我的问题:(我很欣赏这些答案。我想执行市场篮子分析，我认为除了将我的数据保存在 RAM 中之外别无他法

【问题讨论】：

Trimming a huge (3.5 GB) csv file to read into R的可能重复

你能指定你打算如何处理数据吗？特别是如果您的第一步是汇总它们或仅使用一些变量？ ff 是一个解决方案，但相关性取决于您将做什么。另一种选择是例如结合 ff 读取然后存储在数据库中 - 您可能对 MonetDB 中的这方面感兴趣，并入 MonetDBLite 包

请告诉我们文件中的行数和列数。

@EricLecoutre 我计划探索数据。一旦我绘制并更好地理解它，我可能会删除一些行和/或列

@user1436187 36 列和 47,368,186 行...

【参考方案1】：

确保您使用的是 64 位 R，而不仅仅是 64 位 Windows，以便您可以将 RAM 分配增加到全部 16 GB。

另外，可以分块读入文件：

file_in    <- file("in.csv","r")
chunk_size <- 100000 # choose the best size for you
x          <- readLines(file_in, n=chunk_size)

您可以使用data.table 更有效地处理读取和操作大文件：

require(data.table)
fread("in.csv", header = T)

如果需要，您可以通过 ff 来利用存储内存：

library("ff")
x <- read.csv.ffdf(file="file.csv", header=TRUE, VERBOSE=TRUE, 
                   first.rows=10000, next.rows=50000, colClasses=NA)

【讨论】：

我试过thefile=fread("C:/Users/a-vs/results_20160291.csv", header = T) 并收到一条消息Warning messages: 1: In fread("C:/Users/a-vs/results_20160291.csv", : Reached total allocation of 16383Mb: see help(memory.size) 我怎样才能将这个文件读入单个对象，以便我可以一次分析整个数据

@user2543622 使用ff。但只是为了记录，将大文件分块是大数据中的标准做法。另一个答案是您可以先在 SQL 中对数据进行一些预处理。也许一旦你在 R 中得到它，你也可以将其中的一些发送到一个稀疏矩阵。

【参考方案2】：

这在您的计算机上可能无法实现。在某些情况下，data.table 比 .csv 占用更多空间。

DT <- data.table(x = sample(1:2,10000000,replace = T))
write.csv(DT, "test.csv") #29 MB file
DT <- fread("test.csv", row.names = F)   
object.size(DT)
> 40001072 bytes #40 MB

两个OOM大：

DT <- data.table(x = sample(1:2,1000000000,replace = T))
write.csv(DT, "test.csv") #2.92 GB file
DT <- fread("test.csv", row.names = F)   
object.size(DT)
> 4000001072 bytes #4.00 GB

在 R 中存储对象存在自然开销。根据这些数字，读取文件时大约有 1.33 倍，但是，这取决于数据。例如，使用

x = sample(1:10000000,10000000,replace = T) 给出的因子大约是 2 倍 (R:csv)。

x = sample(c("foofoofoo","barbarbar"),10000000,replace = T) 给出 0.5 倍 (R:csv) 的系数。

根据最大值，您的 9GB 文件可能需要 18GB 的​​内存来存储在 R 中，如果不是更多的话。根据您的错误消息，您更有可能遇到硬内存限制而不是分配问题。因此，仅在夹头中读取文件并进行合并是行不通的-您还需要对分析+工作流程进行分区。另一种选择是使用 SQL 等内存工具。

【参考方案3】：

这将是一种可怕的做法，但根据您需要如何处理这些数据，它不应该太糟糕。您可以通过调用memory.limit(new) 来更改R 允许使用的最大内存，其中new 是一个整数，其中R 的新memory.limit 在MB 中。将会发生的情况是，当您遇到硬件限制时，Windows 将开始将内存分页到硬盘驱动器上（这不是世界上最糟糕的事情，但它会严重减慢您的处理速度）。

如果您在服务器版本上运行它，则 Windows 分页可能（很可能）与常规 Windows 10 不同。我相信它应该更快，因为服务器操作系统应该针对这些东西进行优化。

尝试从 32 GB（或 memory.limit(memory.limit()*2)）开始，如果结果比这大得多，我会说程序最终会变得太慢它被加载到内存中。那时我会建议购买更多的 RAM 或找到一种方法来部分处理。

【参考方案4】：

您可能想要考虑利用一些磁盘上的处理，而不是将整个对象都放在 R 的内存中。一种选择是将数据存储在适当的数据库中，然后让 R 访问该数据库。 dplyr 能够处理远程源（它实际上是编写 SQL 语句来查询数据库）。我刚刚用一个小例子（只有 17,500 行）对此进行了测试，但希望它可以扩展到您的要求。

安装 SQLite

https://www.sqlite.org/download.html

将数据输入新的 SQLite 数据库

将以下内容保存在名为import.sql 的新文件中

CREATE TABLE tableName (COL1, COL2, COL3, COL4); .separator , .import YOURDATA.csv tableName

是的，您需要自己指定列名（我相信），但如果您愿意，也可以在此处指定它们的类型。当然，如果您的姓名/数据中有逗号，这将不起作用。

通过命令行将数据导入SQLite数据库

sqlite3.exe BIGDATA.sqlite3 < import.sql

将 dplyr 指向 SQLite 数据库

当我们使用 SQLite 时，所有依赖项都已由 dplyr 处理。

library(dplyr) my_db <- src_sqlite("/PATH/TO/YOUR/DB/BIGDATA.sqlite3", create = FALSE) my_tbl <- tbl(my_db, "tableName")

进行探索性分析

dplyr 将编写查询此数据源所需的 SQLite 命令。否则它将表现得像一个本地表。最大的例外是您无法查询行数。

my_tbl %>% group_by(COL2) %>% summarise(meanVal = mean(COL3))

#>  Source:   query [?? x 2]
#>  Database: sqlite 3.8.6 [/PATH/TO/YOUR/DB/BIGDATA.sqlite3]
#>  
#>         COL2    meanVal
#>        <chr>      <dbl>
#>  1      1979   15.26476
#>  2      1980   16.09677
#>  3      1981   15.83936
#>  4      1982   14.47380
#>  5      1983   15.36479

【讨论】：

这是一个很好的建议！太感谢了！我一直在处理一个非常大的 csv 文件。我现在将按照您的建议尝试 sqlite。谢谢！

【参考方案5】：

您可以尝试在表格中拆分处理。不要对整个事情进行操作，而是将整个操作放在for 循环中，然后执行 16、32、64 次，或者您需要执行多少次。可以保存以后计算所需的任何值。这没有其他帖子那么快，但它肯定会返回。

x = number_of_rows_in_file / CHUNK_SIZE
for (i in c(from = 1, to = x, by = 1)) 
    read.csv(con, nrows=CHUNK_SIZE,...)

希望对您有所帮助。