我要合并两个相当大的data.table对象。
dt1在5列上有500.000.000个观测值。 dt2在2列上有300.000个观测值。两个对象都具有称为key的相同id。
我想将left_join中的信息dt2放入dt1中。
例如：
dt1 <- data.table(id = c(1, 2, 3, 4),
x1 = c(12, 13, 14, 15),
x2 = c(5, 6, 7, 8),
x3 = c(33, 44, 55, 66),
x4 = c(123, 123, 123, 123))
dt2 <- data.table(id = c(1, 2, 3, 4),
x5 = c(555, 666, 777, 888))
setkey(dt1, id)
setkey(dt2, id)
dt2[dt1, on="id"]
> dt2[dt1, on="id"]
id x5 x1 x2 x3 x4
1: 1 555 12 5 33 123
2: 2 666 13 6 44 123
3: 3 777 14 7 55 123
4: 4 888 15 8 66 123
但是，当合并原始数据时，R不能再分配内存。但是，合并的输出适合RAM。
完成此大型合并的最有效方法（速度与内存限制）是什么？
我们应该拆分应用合并吗？
我们应该使用数据库库来完成此工作吗？
您将如何有效地做到这一点？
答案 0 :(得分：13)
键式分配应该节省内存。
dt1[dt2, on = "id", x5 := x5]
我们应该使用数据库库来完成此工作吗？
这可能是个好主意。如果设置和使用数据库很麻烦，请尝试使用RSQLite软件包。很简单。
我的实验
tl; dr：对于一个玩具示例，与合并和替换相比，键分配所使用的内存减少了55％。
我编写了两个脚本，每个脚本都派生一个安装脚本dt-setup.R来创建dt1和dt2。第一个脚本dt-merge.R通过“合并”方法更新了dt1。第二个dt-keyed-assign.R使用了键分配。这两个脚本都使用Rprofmem()函数记录了内存分配。
为了不折磨我的笔记本电脑，我dt1行了500,000行，dt2行了3,000行。
脚本：
# dt-setup.R
library(data.table)
set.seed(9474)
id_space <- seq_len(3000)
dt1 <- data.table(
id = sample(id_space, 500000, replace = TRUE),
x1 = runif(500000),
x2 = runif(500000),
x3 = runif(500000),
x4 = runif(500000)
)
dt2 <- data.table(
id = id_space,
x5 = 11 * id_space
)
setkey(dt1, id)
setkey(dt2, id)
# dt-merge.R
source("dt-setup.R")
Rprofmem(filename = "dt-merge.out")
dt1 <- dt2[dt1, on = "id"]
Rprofmem(NULL)
# dt-keyed-assign.R
source("dt-setup.R")
Rprofmem(filename = "dt-keyed-assign.out")
dt1[dt2, on = "id", x5 := x5]
Rprofmem(NULL)
在所有三个脚本都位于我的工作目录中的情况下，我在单独的R进程中运行了每个加入脚本。
system2("Rscript", "dt-merge.R")
system2("Rscript", "dt-keyed-assign.R")
我认为输出文件中的行通常遵循"<bytes> :<call stack>"模式。我还没有找到好的文档。但是，前面的数字永远不会低于128，这是默认的最小字节数，低于该数字时，R不会malloc用于向量。
请注意，并非所有这些分配都会加到R使用的总计内存中。 R可能会重用垃圾回收后已经拥有的某些内存。因此，这不是衡量在任何特定时间使用多少内存的好方法。但是，如果我们假设垃圾回收行为是独立的，那么它确实可以作为脚本之间的比较。
内存报告的一些示例行：
cat(readLines("dt-merge.out", 5), sep = "\n")
# 90208 :"get" "["
# 528448 :"get" "["
# 528448 :"get" "["
# 1072 :"get" "["
# 20608 :"get" "["
还有new page:"get" "["这样的行用于页面分配。
幸运的是，这些很容易解析。
parse_memory_report <- function(path) {
report <- readLines(path)
new_pages <- startsWith(report, "new page:")
allocations <- as.numeric(gsub(":.*", "", report[!new_pages]))
total_malloced <- sum(as.numeric(allocations))
message(
"Summary of ", path, ":\n",
sum(new_pages), " new pages allocated\n",
sum(as.numeric(allocations)), " bytes malloced"
)
}
parse_memory_report("dt-merge.out")
# Summary of dt-merge.out:
# 12 new pages allocated
# 32098912 bytes malloced
parse_memory_report("dt-keyed-assign.out")
# Summary of dt-keyed-assign.out:
# 13 new pages allocated
# 14284272 bytes malloced
重复实验时，我得到的结果完全相同。
因此，键分配还有一页分配。页面的默认字节大小为2000。我不确定malloc的工作方式，相对于所有分配，2000很小，因此我将忽略这种差异。如果这很蠢，请责骂我。
因此，忽略页面，键分配分配的内存比合并少55％。
答案 1 :(得分：5)
如果必须使用拆分合并方法，并且以下操作对您的内存有效，请确保尽可能多地预分配内存，以加快迭代速度。因此，当解决类似问题时，这样的事情是我能想到的最有效的解决方案：
dt1 <- data.table(id = c(1, 2, 3, 4),
x1 = c(12, 13, 14, 15),
x2 = c(5, 6, 7, 8),
x3 = c(33, 44, 55, 66),
x4 = c(123, 123, 123, 123))
dt2 <- data.table(id = c(1, 2, 3, 4),
x5 = c(555, 666, 777, 888))
dt1_id <- sort(unique(dt1$id)) # extract all ids that are in dt1
dt1_l_split <- length(dt1_id) # get number of iterations
dt2_l_split <- length(unique(dt2[id %in% dt1_id]$id))
split_dt1 <- vector(mode = "list", length = length(unique(dt1$id))) # preallocate vector
split_dt1 <- lapply(1:dt1_l_split, function(x) dt1[id %in% dt1_id[[x]]]) # fill list with splits
rm(dt1); gc() # remove the large data table to save memory and clean up RAM
dt1 <- lapply(1:dt1_l_split, function(i) {
print(Sys.time())
print(i)
tmp <- dt2[id %in% dt1_id[[i]]] # load relevant parts from dt2
merge(tmp, split_dt1[[i]], all = TRUE) # merge dt1 and dt2
})
rbindlist(dt1)
您可以尝试使用mclapply包中的parallel来加快计算速度，尽管结果好坏参半，有时确实可以加快速度，有时会更慢，所以我想最好尝试一下。
或者（也是最简单的解决方案imo）只需将项目推送到Dropbox / Google云端硬盘/您喜欢的任何云中，然后设置具有52GB RAM，几个CPU和Windows Server的Google Cloud VM（可以，但不需要自行设置GUI等）。花了我10分钟左右的时间完成所有设置，第一年的预算为300美元，这基本上是免费的。