[英]ffdfdply, splitting and memory limit in R
我使用ff / ffdf和ffdfdply函数遇到“错误:无法分配大小... MB的向量”问题。
我正在尝试使用ff和ffdf包来处理已键入到组中的大量数据。 数据(ffdf表格式)如下所示:
x =
id_1 id_2 month year Amount key
1 13 1 2013 -200 11
1 13 2 2013 300 54
2 19 1 2013 300 82
3 33 2 2013 300 70
.... (10+ Million rows)
唯一键是使用类似以下方式创建的:
x$key = as.ff(as.integer(ikey(x[c("id_1","id_2","month","year")])))
要总结通过使用key变量分组,我有以下命令:
summary = ffdfdply(x=x, split=x$key, FUN=function(df) {
df = data.table(df)
df = df[,list(id_1 = id_1[1], withdraw = sum(Amount*(Amount>0),na.rm=T), by = "key"]
df
},trace=T)
使用data.table的出色分组功能( 此讨论中的想法)。 在实际代码中,还有更多函数要应用于Amount变量,但是即使如此,我也无法处理完整的ffdf表(表的较小子集可以正常工作)。
ffdfdplyis似乎在使用大量的ram,从而得到:
Error: cannot allocate vector of size 64MB
另外BATCHBYTES似乎没有帮助。 任何具有ffdffply经验的人都可以推荐任何其他方法来解决此问题,而无需将ffdf表预先拆分成块?
使用ff / ffbase的最困难的部分是确保您的数据保留在ff中,并且不会意外地将其放入RAM。 一旦您将数据放入RAM中(主要是由于误解了何时将数据放入RAM中以及何时未将数据放入RAM中),很难将RAM从R中取回,并且如果您正在对RAM进行限制,额外的少量RAM请求将导致您出现“错误:无法分配大小向量”。
现在,我认为您没有正确指定ikey的输入。 看一下?ikey
,它需要一个ffdf作为输入参数,而不是几个ff向量。 可能这已将您的数据放入RAM中,而您可能想要使用ikey(x[c("id_1","id_2","month","year")])
它在我的计算机上模拟了一些数据,如下所示,以获取具有24Mio行的ffdf,而以下操作并没有给我带来RAM麻烦(它在我的计算机中使用了大约3.5Gb的RAM)
require(ffbase)
require(data.table)
x <- expand.ffgrid(id_1 = ffseq(1, 1000), id_2 = ffseq(1, 1000), year = as.ff(c(2012,2013)), month = as.ff(1:12))
x$Amount <- ffrandom(nrow(x), rnorm, mean = 10, sd = 5)
x$key <- ikey(x[c("id_1","id_2","month","year")])
x$key <- as.character(x$key)
summary <- ffdfdply(x, split=x$key, FUN=function(df) {
df <- data.table(df)
df <- df[, list(
id_1 = id_1[1],
id_2 = id_2[1],
month = month[1],
year = year[1],
withdraw = sum(Amount*(Amount>0), na.rm=T)
), by = key]
df
}, trace=TRUE)
另一个原因可能是您在谈论的RAM中还有太多其他数据。 还要标记在ff中,所有因子级别都在RAM中,如果您要处理大量字符/因子数据,这可能也是一个问题-在这种情况下,您需要问自己是否真的需要这些数据分析与否。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.