studio - La forma más rápida de leer un subconjunto de filas de un CSV

leer xlsx en r

Question

Tengo una csv de 5GB con 2 millones de filas. El encabezado son strings separadas por comas y cada fila está dividida por comas en doubles sin datos perdidos o dañados. Es rectangular

Mi objetivo es leer un 10% al azar (con o sin reemplazo, no importa) de las filas en la memoria RAM lo más rápido posible . Un ejemplo de una solución lenta (pero más rápida que read.csv ) es leer en toda la matriz con fread y luego mantener un aleatorio 10% de las filas.

require(data.table)
X <- data.matrix(fread(''/home/user/test.csv'')) #reads full data.matix
X <- X[sample(1:nrow(X))[1:round(nrow(X)/10)],] #sample random 10%

Sin embargo, estoy buscando la solución más rápida posible (esto es lento porque primero necesito leer todo, luego recortarlo).

La solución que merece una recompensa dará estimaciones de system.time() de diferentes alternativas.

Otro:

• Estoy usando Linux
• No necesito exactamente el 10% de las filas. Solo aproximadamente 10%.

Answer 1

Aquí hay un archivo con 100000 líneas así:

"","a","b","c"
"1",0.825049088569358,0.556148858508095,0.591679535107687
"2",0.161556158447638,0.250450366642326,0.575034103123471
"3",0.676798462402076,0.0854280597995967,0.842135070590302
"4",0.650981109589338,0.204736212035641,0.456373531138524
"5",0.51552157686092,0.420454133534804,0.12279288447462
$ wc -l d.csv
100001 d.csv

Entonces eso es 100000 líneas más un encabezado. Queremos mantener el encabezado y muestrear cada línea si un número aleatorio de 0 a 1 es mayor que 0.9.

$ awk ''NR==1 {print} ; rand()>.9 {print}'' < d.csv >sample.csv

comprobar:

$ head sample.csv
"","a","b","c"
"12",0.732729186303914,0.744814146542922,0.199768838472664
"35",0.00979996216483414,0.633388962829486,0.364802648313344
"36",0.927218825090677,0.730419414117932,0.522808947600424
"42",0.383301998255774,0.349473554175347,0.311060158303007

y tiene 10027 líneas:

$ wc -l sample.csv
10027 sample.csv

Esto tomó 0.033s de tiempo real en mi caja de 4 yo, probablemente la velocidad HD es el factor limitante aquí. Debe escalar linealmente ya que el archivo se trata estrictamente línea por línea.

A continuación, lea en sample.csv usando read.csv o fread como desee:

> s = fread("sample.csv")

Answer 2

Puede usar sqldf::read.csv.sql y un comando SQL para extraer los datos:

library(sqldf)
write.csv(iris, "iris.csv", quote = FALSE, row.names = FALSE) # write a csv file to test with
read.csv.sql("iris.csv","SELECT * FROM file ORDER BY RANDOM() LIMIT 10")
Sepal_Length Sepal_Width Petal_Length Petal_Width Species
1 6.3 2.8 5.1 1.5 virginica
2 4.6 3.1 1.5 0.2 setosa
3 5.4 3.9 1.7 0.4 setosa
4 4.9 3.0 1.4 0.2 setosa
5 5.9 3.0 4.2 1.5 versicolor
6 6.6 2.9 4.6 1.3 versicolor
7 4.3 3.0 1.1 0.1 setosa
8 4.8 3.4 1.9 0.2 setosa
9 6.7 3.3 5.7 2.5 virginica
10 5.9 3.2 4.8 1.8 versicolor

No calcula el 10% para usted, pero puede elegir el límite absoluto de las filas para devolver.

Answer 3

Creo que esto debería funcionar bastante rápido, pero avíseme ya que aún no lo he intentado con big data.

write.csv(iris,"iris.csv")
fread("shuf -n 5 iris.csv")
V1 V2 V3 V4 V5 V6
1: 37 5.5 3.5 1.3 0.2 setosa
2: 88 6.3 2.3 4.4 1.3 versicolor
3: 84 6.0 2.7 5.1 1.6 versicolor
4: 125 6.7 3.3 5.7 2.1 virginica
5: 114 5.7 2.5 5.0 2.0 virginica

Esto toma una muestra aleatoria de N = 5 para el conjunto de datos del iris .

Para evitar la posibilidad de usar la fila de encabezado nuevamente, esta podría ser una modificación útil:

fread("tail -n+2 iris.csv | shuf -n 5", header=FALSE)