- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个 csv.gz 文件(据我所知)压缩前的大小为 70GB。我的机器有 50GB 的 RAM,所以无论如何我永远无法在 R 中打开它。
例如,我可以按如下方式加载前 10m 行:
library(vroom)
df <- vroom("HUGE.csv.gz", delim= ",", n_max = 10^7)
对于我必须做的事情,可以一次加载 10m 行,执行我的操作,然后继续接下来的 10m 行。我可以循环执行此操作。
skip
争论。
df <- vroom("HUGE.csv.gz", delim= ",", n_max = 10^7, skip = 10^7)
这会导致错误:
Error: The size of the connection buffer (131072) was not large enough
to fit a complete line:
* Increase it by setting `Sys.setenv("VROOM_CONNECTION_SIZE")`
我用
Sys.setenv("VROOM_CONNECTION_SIZE" = 131072*1000)
增加了这个,但是,错误仍然存在。
最佳答案
我一直无法弄清楚vroom
非常大的超过 RAM(gzipped)csv 文件的解决方案。但是,以下方法对我来说效果很好,我很高兴了解具有更好查询速度同时还节省磁盘空间的方法。
split
xsv
中的子命令来自 https://github.com/BurntSushi/xsv将大型 csv 文件拆分为 舒适的内存块 比如说,10^5 行并将它们保存在一个文件夹中。 data.table::fread
读取所有块使用 for
一对一(以避免低内存错误)循环并将它们全部保存到一个文件夹中作为压缩文件 parquet
文件使用 arrow
节省空间并准备大表以进行快速查询的包。对于更快的操作,建议重新保存 parquet
文件 分区 通过您需要经常过滤的字段。 arrow::open_dataset
并使用 dplyr
查询该多文件 Parquet 文件夹命令。根据我的经验,它占用最少的磁盘空间并提供最快的结果。 data.table::fread
明确定义每个字段的列类,以最快和最可靠地解析 csv 文件。
readr::read_csv
也一直准确但速度较慢。但是,通过
read_csv
自动分配列类以及您可以通过
read_csv
自定义列类的方式实际上是最好的 - 所以更少的人工时间但更多的机器时间 - 这意味着它可能会根据场景整体更快。其他 csv 解析器为我使用的那种 csv 文件抛出了错误并浪费了时间。
disk.frame
的文件夹包裹。然后可以使用 dplyr
查询该文件夹或 data.table
文档中解释的命令。它具有保存压缩文件的功能 fst
节省空间的文件,虽然不如 parquet
文件。 DuckDB
中的表允许使用 SQL
查询的数据库或 dplyr
命令。使用数据库表方法不会节省您的磁盘空间。但是DuckDB
还允许使用 SQL
查询分区/未分区的 Parquet 文件(节省磁盘空间)命令。 xsv
),并且所有块都将写入
parquet
准备好查询的文件夹中的格式。
library(readr)
library(arrow)
fyl <- "...path_to_big_data_file.csv.gz"
pqFolder <- "...path_to_folder_where_chunked_parquet_files_are_to_be_saved"
f <- function(x, pos){
write_parquet(x,
file.path(pqFolder, paste0(pos, ".parquet")),
compression = "gzip",
compression_level = 9)
}
read_csv_chunked(
fyl,
col_types = list(Column1="f", Column2="c", Column3="T", ...), # all column specifications
callback = SideEffectChunkCallback$new(f),
chunk_size = 10^6)
如果,而不是
parquet
,你想使用 -
disk.frame
,回调函数可用于创建分块压缩 fst
dplyr
的文件或 data.table
样式查询。 DuckDB
,回调函数可用于append
将块放入 SQL
的数据库表中或 dplyr
样式查询。 chunk_size
readr::read_csv_chunked
的参数命令,计算机在运行查询时不应耗尽 RAM。
gzip
压缩
parquet
文件,因为它们可以用
ParquetViewer
预览来自
https://github.com/mukunku/ParquetViewer .否则,
zstd
(目前不受
ParquetViewer
支持)解压速度更快,从而提高阅读速度。
read_csv_chunked
我之前提到的方法
编辑 无法完成。它总是在一段时间后停止工作并且不会创建所有
parquet
大块。使用我以前用
xsv
分割 csv 文件的方法然后循环它们创建
parquet
大块工作。公平地说,我必须提到这种方式也进行了多次尝试,并且我编写了一个检查程序以仅创建额外的
parquet
连续尝试运行程序时的块。
关于r - 使用 vroom 在 R 中部分读取非常大的 csv.gz,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/68628271/
我需要将文本放在 中在一个 Div 中,在另一个 Div 中,在另一个 Div 中。所以这是它的样子: #document Change PIN
奇怪的事情发生了。 我有一个基本的 html 代码。 html,头部, body 。(因为我收到了一些反对票,这里是完整的代码) 这是我的CSS: html { backgroun
我正在尝试将 Assets 中的一组图像加载到 UICollectionview 中存在的 ImageView 中,但每当我运行应用程序时它都会显示错误。而且也没有显示图像。 我在ViewDidLoa
我需要根据带参数的 perl 脚本的输出更改一些环境变量。在 tcsh 中,我可以使用别名命令来评估 perl 脚本的输出。 tcsh: alias setsdk 'eval `/localhome/
我使用 Windows 身份验证创建了一个新的 Blazor(服务器端)应用程序,并使用 IIS Express 运行它。它将显示一条消息“Hello Domain\User!”来自右上方的以下 Ra
这是我的方法 void login(Event event);我想知道 Kotlin 中应该如何 最佳答案 在 Kotlin 中通配符运算符是 * 。它指示编译器它是未知的,但一旦知道,就不会有其他类
看下面的代码 for story in book if story.title.length < 140 - var story
我正在尝试用 C 语言学习字符串处理。我写了一个程序,它存储了一些音乐轨道,并帮助用户检查他/她想到的歌曲是否存在于存储的轨道中。这是通过要求用户输入一串字符来完成的。然后程序使用 strstr()
我正在学习 sscanf 并遇到如下格式字符串: sscanf("%[^:]:%[^*=]%*[*=]%n",a,b,&c); 我理解 %[^:] 部分意味着扫描直到遇到 ':' 并将其分配给 a。:
def char_check(x,y): if (str(x) in y or x.find(y) > -1) or (str(y) in x or y.find(x) > -1):
我有一种情况,我想将文本文件中的现有行包含到一个新 block 中。 line 1 line 2 line in block line 3 line 4 应该变成 line 1 line 2 line
我有一个新项目,我正在尝试设置 Django 调试工具栏。首先,我尝试了快速设置,它只涉及将 'debug_toolbar' 添加到我的已安装应用程序列表中。有了这个,当我转到我的根 URL 时,调试
在 Matlab 中,如果我有一个函数 f,例如签名是 f(a,b,c),我可以创建一个只有一个变量 b 的函数,它将使用固定的 a=a1 和 c=c1 调用 f: g = @(b) f(a1, b,
我不明白为什么 ForEach 中的元素之间有多余的垂直间距在 VStack 里面在 ScrollView 里面使用 GeometryReader 时渲染自定义水平分隔线。 Scrol
我想知道,是否有关于何时使用 session 和 cookie 的指南或最佳实践? 什么应该和什么不应该存储在其中?谢谢! 最佳答案 这些文档很好地了解了 session cookie 的安全问题以及
我在 scipy/numpy 中有一个 Nx3 矩阵,我想用它制作一个 3 维条形图,其中 X 轴和 Y 轴由矩阵的第一列和第二列的值、高度确定每个条形的 是矩阵中的第三列,条形的数量由 N 确定。
假设我用两种不同的方式初始化信号量 sem_init(&randomsem,0,1) sem_init(&randomsem,0,0) 现在, sem_wait(&randomsem) 在这两种情况下
我怀疑该值如何存储在“WORD”中,因为 PStr 包含实际输出。? 既然Pstr中存储的是小写到大写的字母,那么在printf中如何将其给出为“WORD”。有人可以吗?解释一下? #include
我有一个 3x3 数组: var my_array = [[0,1,2], [3,4,5], [6,7,8]]; 并想获得它的第一个 2
我意识到您可以使用如下方式轻松检查焦点: var hasFocus = true; $(window).blur(function(){ hasFocus = false; }); $(win
我是一名优秀的程序员,十分优秀!