[分享] bigmemory 套件分享

看板R_Language作者cywhale (cywhale)時間7年前 (2016/07/22 12:03)推噓12(12推 0噓 24→)

留言36則, 7人參與討論串1/1

1. 套件名稱： bigmemory 4.5.19 2. 套件主要用途：處理較吃記憶體的資料，尤其當資料大小逼近或超過實體記憶體，使load資料很慢時.. 但資料限定為單一資料型態，不能同時混雜character, numeric 它這種資料結構 big.matrix 其實只是一個 R object但實際指向 C++資料結構的指標可以memory或檔案形式 share (shared.big.matrix, filebacked.big.matrix)，實現在 multip processes or cluster共用的機制可以做簡單的資料操作，如取符合條件的子集合資料出來配合其他 big 系列的套件如 biganalytics, bigtabultae等做其他處理、modeling 3. 套件主要函數列表： a. read.big.matrix: 讀取一份.csv 並創建成file-backing形式的big.matrix 格式比如 read.big.matrix("test.csv", header = TRUE, type = "double", backingfile = "test.bin", descriptorfile = "test.des")) 你提供test.csv, 執行後會多兩個供bigmemory使用的descriptorfile .bin, .des b. attach.big.matrix: 讀取一份 file-backing big.matrix的descriptor file，提供套件可以抓到這個 big.matrix object所需的資訊 c. mwhich: 如同base所提供的which，可以對各欄位做篩選 d. write.big.matrix: 將 big.matrix object寫入 file 4. 分享內容：之前看一些朋友發問有較大容量資料要吃進來，而絕大部分都可以由data.table套件的 fread解決。 bigmemory處理資料當然沒有data.table又快又方便，但它有個好處，就是一開始只放資料的記憶體指標，不會把所有資料都放進記憶體。所以我把它應用在網路server上需要供人查詢的較大筆資料（如shiny建構的查詢介面）資料本身較少更動，而供公眾使用的linux server資源不多（有時VM只開4GB）當我把資料備妥(.csv），先建好file-backing方式所需要的descriptor file，之後只要attach上去，資料就可以在web-based application中讀取到。使用者以介面查詢、篩選資料範圍，透過 mwhich 方式縮小真正載入記憶體的資料大小，再轉換到data.table做其他運算。所以我用bigmemory的方式、函數超簡單：attach %>% mwhich (%>% data.table()) 這也能用資料庫完成，但上述流程可能比 (connect Database -> SQL query -> return query)來得快一點（後有簡單測試）但如果資料本身常常更新，或資料各欄位型態複雜，資料庫有它難以取代的優勢。 bigmemory也可以 write, flush，但我本身很少用它，我主要應用在一份很大的歷史資料 (數值資料，少更動)，這當然僅只是個人選擇。 bigmemory另一個不錯的優點也在於它和Rcpp(, RcppArmadillo..)等的配合，比如這個簡單清楚的例子 http://www.r-bloggers.com/using-rcpparmadillo-with-bigmemory/ 其他應用或參考資料可在R-blogger上搜尋 bigmemory 另外google 這份文件也頗有參考價值，雖然已是2010年... Taking R to the Limit, Part II: Working with Large Datasets 我之前曾對data.table, bigmemory, 和PostgreSQL做簡單的測試，以下是部分內容(可run library(data.table) library(magrittr) library(bigmemory) library(RPostgreSQL) library(microbenchmark) # ========================== Test data preparation tstL <- 1e6 wr.first <- TRUE bigmf<- file("bigm_sample01.csv", open = "w") DT <- data.table(lat=numeric(), lng=numeric(), date=as.Date(character()), grp=numeric(), pick=numeric()) idxf <- function(x, idx) { x[-idx] <- 0; x[idx] <- 1; return(x) } pconn <- dbConnect(dbDriver("PostgreSQL"), # change to your configuration user="xx", password="xx", dbname="xxx", host="localhost") print("write big.mat start") print(format(Sys.time(), "%Y%m%d %H:%M:%S")) # randomly prepare data, can arbitrarily chang loop iteration for (i in 1:20) { dt <- data.table(lat = runif(tstL,0,90),lng = runif(tstL,0,180), yr = as.integer(runif(tstL,2000,2015)), mo = as.integer(runif(tstL,1,12)), day = as.integer(runif(tstL,1,28))) %>% .[,date:=as.Date(paste(yr,mo,day,sep=" "),"%Y %m %d")] %>% .[,c("yr","mo","day","grp"):=list(NULL,NULL,NULL,i)] %>% setkey(date) %>% .[,pick:=idxf(seq_along(lat),sample(seq_along(lat),1)), by=.(date)] print(format(Sys.time(), "%Y%m%d %H:%M:%S")) print("combine DT") DT <- rbindlist(list(DT, dt)) print(format(Sys.time(), "%Y%m%d %H:%M:%S")) print("write to PostgreSQL") dbWriteTable(pconn, value=dt, name= "bigmdb", append=!wr.first, row.names=F) print(format(Sys.time(), "%Y%m%d %H:%M:%S")) print("write.table") # Big.matrix cannot have mixed-type data, change charater 'date' to int 'datei' write.table(dt[,datei:=as.integer(gsub("-","",date))] %>% .[,date:=NULL], file = bigmf, sep = ",", row.names = FALSE, col.names = wr.first) print(i) wr.first <- FALSE } close(bigmf) #========================== ? read.big.matrix system.time(db <- read.big.matrix("bigm_sample01.csv", header = TRUE, type = "double", backingfile = "bigm_sample01.bin", descriptorfile = "bigm_sample01.des")) # user system elapsed # 69.21 3.21 72.54 #========================== ? attach.big.matrix system.time(db <- dget("bigm_sample01.des") %>% attach.big.matrix()) # user system elapsed # 0.01 0.00 0.01 nrow(db) ## 2e+07 rows nrow(DT) #========================== Indexing PostgreSQL data dbSendQuery(pconn, "CREATE INDEX date_index ON bigmdb USING btree (date)") #========================== simple benchmark microbenchmark( 'DT' = DT[date>='2003-01-01' & date <='2014-12-01' & pick==1,], 'Bigm' = db[mwhich(db,c(5,5,4),list(c(20030101,20141201,1)), list(c('ge','le','eq')),'AND'),], 'SQL'= dbGetQuery(pconn, statement=paste0("SELECT * FROM bigmdb WHERE date >= '2003-01-01' AND date <= '20141201' AND pick = 1;")), times=10 ) ######## Note: SQL statement should be in single line ###################### #Unit: milliseconds #expr min lq mean median uq max neval # DT 325.0868 347.0721 367.5553 360.3873 389.9555 440.2354 10 #Bigm 404.6935 416.9812 452.5594 441.7622 462.6059 591.9303 10 # SQL 3221.8961 3226.8496 3303.9357 3274.3635 3377.8906 3521.6359 10 format(object.size(DT),"Mb") #[1] "762.9 Mb" format(object.size(out2),"Mb") #[1] "2.7 Mb" lapply(dbListConnections(PostgreSQL()), dbDisconnect) 5. 備註沒有特別分享到什麼bigmemory套件高深功能，也不是來騙錢的XDD 只是拋磚引玉，自己也有困惑~~ 也許data欄位不能mixed-type 某方面侷限了它的發展，bigmemory 在網路的討論度很低，但套件作者默默在維持、不時小更新，只是未來的發展走向不明。不知道它在愈來愈多更快、更方便的資料處理套件選擇下，未來性如何??~~ bigmemory只是R資料處理中的其一選擇，小小心得供參，也請多多指教，更希望引來有趣的其他應用或使用方式，謝謝 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.112.65.48 ※ 文章網址: https://www.ptt.cc/bbs/R_Language/M.1469160184.A.266.html

推

andrew43

07/22 17:14, , 1^F

07/22 17:14, 1^F

→

celestialgod

07/22 19:39, , 2^F

07/22 19:39, 2^F

推

celestialgod

07/22 19:50, , 3^F

07/22 19:50, 3^F

推