[英]Create data.frames out of an initial dataframe using `lapply` in R
[英]How to load large R data.frames into Spark using SparkR's as.DataFrame()?
我的目标是将大型R data.frame加载到Spark中。 data.frame的大小为500万。 行和7列的各种类型。 加载到R中后,此data.frame大约占用 200mb的内存。 但是,当我尝试使用as.DataFrame()
函数将其加载到Spark中时,R会话将永远被占用,它已经运行了1个小时,因此我不得不取消该操作。
详细信息如下:
我正在创建以下数据集以在此示例中使用:
n=5e6 # set sample size
d <- data.frame(
v1=base::sample(1:9,n,replace=TRUE),
v2=base::sample(1000:9000,n,replace=TRUE),
v3=seq(as.Date("2016-01-01"), as.Date("2016-12-31"), by = "day")[base::sample(1:365,n,replace=TRUE)],
v4=LETTERS[base::sample(1:length(LETTERS),n,replace=TRUE)],
v5=base::sample(1000:9000,n,replace=TRUE)/1000,
v6=seq(ISOdate(2016,1,1), ISOdate(2018,1,1), "sec")[base::sample(1:63158401,n,replace=TRUE)],
v7=c(TRUE,FALSE)[base::sample(1:2,n,replace=TRUE)]
)
上面创建了一个示例data.frame
大小,约200mb:
paste0("size: ", round(as.numeric(object.size(d))/1000000,1)," mb")
接下来,我创建一个Spark会话:
Sys.setenv(SPARK_HOME='C:\\soft\\spark-2.0.0-bin-hadoop2.7',HADOOP_HOME='C:\\soft\\hadoop')
.libPaths(c(file.path(Sys.getenv('SPARK_HOME'), 'R', 'lib'),.libPaths()))
Sys.setenv('SPARKR_SUBMIT_ARGS'='"sparkr-shell"')
library(SparkR)
library(rJava)
sparkR.session(enableHiveSupport = FALSE,master = "local[*]", sparkConfig = list(spark.driver.memory = "1g",spark.sql.warehouse.dir="C:\\soft\\hadoop\\bin"))
现在,我正在尝试将上面创建的data.frame加载到Spark中:
d_sd <- as.DataFrame(d)
上面的命令将永远运行。
我在做错什么吗? 它可以与原始R data.frame中的列的class()相关吗? 我是否应该采用另一种方法将大型数据集从R加载到Spark中? 如果是,请随时提出一些建议。
先感谢您。
PS:
我能够使用此方法在Spark中快速转换和操纵小型数据集。
以下是有关我的R会话和正在运行的OS的一些背景信息:
R版本3.2.5(2016-04-14)平台:x86_64-w64-mingw32 / x64(64位)运行在:Windows 7 x64(内部版本7601)Service Pack 1
我正在Windows 7 Professional(64位),8 GB RAM下运行Microsoft版本的R(革命)。 处理器:i5-2520M @ 2.50GHz
编辑2016-09-19:
谢谢Zeydy Ortiz和Mohit Bansal。 根据您的回答,我尝试了以下操作,但仍然面临相同的问题:
Sys.setenv(SPARK_HOME='C:\\soft\\spark-2.0.0-bin-hadoop2.7',HADOOP_HOME='C:\\soft\\hadoop')
.libPaths(c(file.path(Sys.getenv('SPARK_HOME'), 'R', 'lib'),.libPaths()))
Sys.setenv('SPARKR_SUBMIT_ARGS'='"sparkr-shell"')
library(SparkR)
library(rJava)
sparkR.session(enableHiveSupport = FALSE,master = "local[*]", sparkConfig = list(spark.driver.memory = "1g",spark.sql.warehouse.dir="C:\\soft\\hadoop\\bin"))
n=5e6 # set sample size
d_sd <- createDataFrame(sqlContext,data=data.frame(
v1=base::sample(1:9,n,replace=TRUE),
v2=base::sample(1000:9000,n,replace=TRUE),
v3=seq(as.Date("2016-01-01"), as.Date("2016-12-31"), by = "day")[base::sample(1:365,n,replace=TRUE)],
v4=LETTERS[base::sample(1:length(LETTERS),n,replace=TRUE)],
v5=base::sample(1000:9000,n,replace=TRUE)/1000,
v6=seq(ISOdate(2016,1,1), ISOdate(2018,1,1), "sec")[base::sample(1:63158401,n,replace=TRUE)],
v7=c(TRUE,FALSE)[base::sample(1:2,n,replace=TRUE)]
))
将R df转换为Spark df的命令运行了几个小时。 不得不取消。 请协助。
编辑2016-12-14:
以上尝试使用Spark 1.6.1和R 3.2.0。 我最近使用Spark 2.0.2(最新版)和R 3.2.5进行了尝试,但遇到了同样的问题。
任何帮助将不胜感激。
这与内存限制有关,为什么您必须首先创建Base Dataframe并将其转换为Spark DataFrame?
您可以将两个步骤合而为一并获得结果:
Sys.setenv(SPARK_HOME='C:\\soft\\spark-2.0.0-bin-hadoop2.7',HADOOP_HOME='C:\\soft\\hadoop')
.libPaths(c(file.path(Sys.getenv('SPARK_HOME'), 'R', 'lib'),.libPaths()))
Sys.setenv('SPARKR_SUBMIT_ARGS'='"sparkr-shell"')
library(SparkR)
library(rJava)
sparkR.session(enableHiveSupport = FALSE,master = "local[*]", sparkConfig = list(spark.driver.memory = "1g",spark.sql.warehouse.dir="C:\\soft\\hadoop\\bin"))
然后,您可以加载您的SDF:
n=5e6 # set sample size
d_sd <- as.DataFrame(data.frame(
v1=base::sample(1:9,n,replace=TRUE),
v2=base::sample(1000:9000,n,replace=TRUE),
v3=seq(as.Date("2016-01-01"), as.Date("2016-12-31"), by = "day")[base::sample(1:365,n,replace=TRUE)],
v4=LETTERS[base::sample(1:length(LETTERS),n,replace=TRUE)],
v5=base::sample(1000:9000,n,replace=TRUE)/1000,
v6=seq(ISOdate(2016,1,1), ISOdate(2018,1,1), "sec")[base::sample(1:63158401,n,replace=TRUE)],
v7=c(TRUE,FALSE)[base::sample(1:2,n,replace=TRUE)]
))
您还可以参考类似的问题: 如何最好地处理将大型本地数据帧转换为SparkR数据帧?
在Spark 2.0.0中,使用createDataFrame(d)
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.