Question

我有一个4.5MB（9,223,136行）的文件，其中包含以下信息：

0       0
0.0147938       3.67598e-07
0.0226194       7.35196e-07
0.0283794       1.10279e-06
0.033576        1.47039e-06
0.0383903       1.83799e-06
0.0424806       2.20559e-06
0.0465545       2.57319e-06
0.0499759       2.94079e-06

在每列中，值表示0到100之间的值，表示百分比。我的目标是在ggplot2中绘制一个图形以查看它们之间的百分比（例如，第1列的20％是第2列实现的百分比）。 Heres是我的R剧本：

library(ggplot2)
dataset=read.table("~/R/datasets/cumul.txt.gz")
p <- ggplot(dataset,aes(V2,V1))
p <- p + geom_line()
p <- p + scale_x_continuous(formatter="percent") + scale_y_continuous(formatter="percent")
p <- p + theme_bw()
ggsave("~/R/grafs/cumul.png")

我遇到了问题，因为每次运行此R都会耗尽内存，从而出现错误：“无法分配大小为128.0 Mb的向量”。我在Linux机器上运行32位R，我有大约4GB的可用内存。

我想到了一个解决方法，包括降低这些值的精度（通过舍入它们）并消除重复的行，这样我的数据集上的行数就会减少。你可以就如何做到这一点给我一些建议吗？

Answer 1

您确定4.5MB文件中有900万行（编辑：也许您的文件是4.5 GB ??）？它必须经过大量压缩 - 当我创建一个大小只有十分之一的文件时，它就是115Mb ......

n <- 9e5
set.seed(1001)
z <- rnorm(9e5)
z <- cumsum(z)/sum(z)
d <- data.frame(V1=seq(0,1,length=n),V2=z)
ff <- gzfile("lgfile2.gz", "w")
write.table(d,row.names=FALSE,col.names=FALSE,file=ff)
close(ff)
file.info("lgfile2.gz")["size"]

很难从您提供的信息中判断出您的数据集中包含哪些“重复行”...... unique(dataset)只会提取唯一的行，但这可能没用。我可能首先简单地将数据集稀疏100或1000：

smdata <- dataset[seq(1,nrow(dataset),by=1000),]

看看它是如何发生的。（编辑：忘了逗号！）

大型数据集的图形表示通常是一个挑战。一般来说，你会更好：

在绘制之前以某种方式总结数据
使用减少数据的专用图形类型（密度图，轮廓，六边形分级）
使用基本图形，它使用“绘图和遗忘”模型（除非打开图形记录，例如在Windows中），而不是格子/ ggplot /网格图形，它保存完整的图形对象然后渲染它
使用光栅或位图图形（PNG等），它只记录图像中每个像素的状态，而不是矢量图形，它保存所有对象是否重叠

R + ggplot2 - 无法分配大小为128.0 Mb的向量

1 个答案: