从 .Xdf 文件中删除重复记录

Posted 2023-04-18

【中文标题】从 .Xdf 文件中删除重复记录

【英文标题】：Removing duplicate records from .Xdf file

【发布时间】：2015-06-19 12:24:18

【问题描述】：

我想从我的大型 .xdf 文件 trans.xdf 中删除重复记录。 这是文件详细信息：

File name: /poc/revor/data/trans.xdf
Number of observations: 1000000000
Number of variables: 5
Number of blocks: 40
Compression type: zlib
Variable information:
Var 1: CARD_ID, Type: character
Var 2: SE_NO, Type: character
Var 3: r12m_cv, Type: numeric, Low/High: (-2348.7600, 40587.3900)
Var 4: r12m_roc, Type: numeric, Low/High: (0.0000, 231.0000)
Var 5: PROD_GRP_CD, Type: character

以下是该文件的示例数据：

CARD_ID SE_NO   r12m_cv r12m_roc    PROD_GRP_CD
900000999000000000          1045815024  110 1   1
900000999000000000          1052487253  247.52  2   1
900000999000000000          9999999999  38.72   1   1
900000999000000000          1090389768  1679.96 16  1
900000999000000000          1091226035  0   1   1
900000999000000000          1091241208  538.68  4   1
900000999000000000          9999999999  83  1   1
900000999000000000          1091468041  148.4   3   1
900000999000000000          1092640358  3.13    1   1
900000999000000000          1093468692  546.29  1   1

我尝试使用 rxDataStep 函数来使用它的 transform 参数在 .xdf 文件上调用 unique() 函数。以下是相同的代码：

uniq_dat <- function( dataList )

    datalist <- unique(datalist)
    return(datalist)


rxDataStepXdf(inFile = "/poc/revor/data/trans.xdf",outFile = "/poc/revor/data/trans.xdf",transformFunc = uniq_dat,overwrite = TRUE) 

但出现以下错误：

Error in unique(datalist) : object 'datalist' not found

Error in transformation function: Error in unique(datalist) : object 'datalist' not found

Error in rxCall("RxDataStep", params) :

所以任何人都可以指出我在这里所做的错误，或者是否有更好的方法可以。我避免将数据加载到内存数据帧中，因为数据非常庞大。

我正在通过 HDFS 在 Revolution R Environment 中运行上述代码。

如果可以通过任何其他方法获得相同的结果，那么同样的示例将不胜感激。

提前感谢您的帮助:)

干杯，

阿米特

【问题讨论】：

你试过复制吗？ ***.com/questions/12495345/…

@Robert：仍然出现同样的错误 :( ......即：.rxTransformFunc(.rxTransformsImpliedFunc(..revoTransDf)) 中的错误：找不到对象'datalist' 转换函数中的错误: .rxTransformFunc(.rxTransformsImpliedFunc(..revoTransDf)) 中的错误：在 rxCall("RxDataStep", params) 中找不到对象 'datalist' 错误

一个问题是你有一个dataList 的参数，但是在你的函数中你使用了一个名为datalist 的变量。先解决这个问题，然后我们可以继续测试。

【参考方案1】：

您可以删除为 rxSort() 函数提供 removeDupKeys=TRUE 参数的重复值。例如你的情况：

XdfFilePath <- file.path("<your file's fully qualified path>/trans.xdf")
rxSort(inData = XdfFilePath,sortByVars=c("CARD_ID","SE_NO","r12m_cv","r12m_roc","PROD_GRP_CD"), removeDupKeys=TRUE) 

如果要根据特定键列删除重复记录，例如基于 SE_NO 列 将键值设置为 sortByVars="SE_NO"