R: cómo rbind dos grandes marcos de datos sin el funcionamiento de la memoria

Question

Tengo df1 y df2 que tienen cada uno alrededor de 10 millones de filas y 4 columnas dos marcos de datos. Los leí en R utilizando RODBC / SQLQuery sin ningún problema, pero cuando trato de rbind ellos, lo entiendo más temida de mensajes de error R: cannot allocate memory. No tienen que ser formas más eficientes de hacer un rbind más eficiente - cualquier persona tiene sus trucos preferidos en este quieren compartir? Por ejemplo me encontré con este ejemplo en el doc para sqldf:

# rbind
a7r <- rbind(a5r, a6r)
a7s <- sqldf("select * from a5s union all select * from a6s")

Es que la mejor manera / recomienda para hacerlo?

Actualizar Yo tengo que trabajar con el argumento dbname = tempfile() crucial en la llamada sqldf anterior, como JD largo sugiere en su respuesta a esta pregunta

Answer 1

En lugar de leerlos en R al principio y luego la combinación de ellos podría tener SQLite los leyó y combinarlos antes de enviarlos a R. De esta manera los archivos nunca se cargan individualmente en R.

# create two sample files
DF1 <- data.frame(A = 1:2, B = 2:3)
write.table(DF1, "data1.dat", sep = ",", quote = FALSE)
rm(DF1)

DF2 <- data.frame(A = 10:11, B = 12:13)
write.table(DF2, "data2.dat", sep = ",", quote = FALSE)
rm(DF2)

# now we do the real work
library(sqldf)

data1 <- file("data1.dat")
data2 <- file("data2.dat")

sqldf(c("select * from data1", 
 "insert into data1 select * from data2", 
 "select * from data1"), 
 dbname = tempfile())

Esto da:

>  sqldf(c("select * from data1", "insert into data1 select * from data2", "select * from data1"), dbname = tempfile())
   A  B
1  1  2
2  2  3
3 10 12
4 11 13

Esta versión más corta también funciona si orden de las filas no es importante:

sqldf("select * from data1 union select * from data2", dbname = tempfile())

Vea la página principal sqldf http://sqldf.googlecode.com y ?sqldf para obtener más información. Prestar especial atención a los argumentos de formato de archivo, ya que están cerca, pero no idéntica a read.table. Aquí hemos utilizado los valores por defecto por lo que era un problema menor.

Answer 2

Aviso data.table el paquete R para operaciones eficientes en objetos con varios millones de registros.

Versión 1.8.2 de que las ofertas de paquetes de la función rbindlist a través del cual se puede lograr lo que desea de manera muy eficiente. Así, en lugar de rbind(a5r, a6r) puede:

library(data.table)
rbindlist(list(a5r, a6r))

Answer 3

Trate de crear un data.frame del tamaño deseado, por lo tanto, la importación de los datos con subíndices.

dtf <- as.data.frame(matrix(NA, 10, 10))
dtf1 <- as.data.frame(matrix(1:50, 5, 10, byrow=TRUE))
dtf2 <- as.data.frame(matrix(51:100, 5, 10, byrow=TRUE))
dtf[1:5, ] <- dtf1
dtf[6:10, ] <- dtf2

supongo que crece rbind objeto sin pre-asignación de sus dimensiones ... No estoy completamente seguro, esto es sólo una conjetura. Voy a peinar hacia abajo "El R Inferno" o "manipulación de datos con R" esta noche. Tal vez merge hará el truco ...

Editar

Y usted debe desnudo en cuenta que (tal vez) el sistema y / o R no pueden hacer frente a algo tan grande. Trate RevolutionR, tal vez consigas a un poco de tiempo / recursos.

Answer 4

Para completar en este hilo sobre el tema de la unión: ing archivos de gran tamaño, pruebe a utilizar los comandos de shell en los archivos de combinarlos. En Windows que se comando "COPY" con la bandera "A / B". Ejemplo:

system(command =
         paste0(
           c("cmd.exe /c COPY /Y"
             , '"file_1.csv" /B'
             , '+ "file_2.csv" /B'
             , '"resulting_file.csv" /B'
           ), collapse = " "
         )
)#system

Requiere que los archivos no tienen cabecera, y el mismo delimitador, etc, etc. La velocidad y la versatilidad de comandos shell es a veces un gran beneficio, por lo que no se olvide de la CLI-comandos cuando mapeo de flujos de datos.