用R处理大数据集_数据分析师

用R处理大数据集

JAN 1ST, 2012

 | COMMENTS

本文翻译自R in Action

的附录G，如果对该书感兴趣，请自行购买或去图书馆阅读。

R会把所有的对象读存入虚拟内存中。对我们大多数用户来说，这种设计可以提高与R相互的速度，但是当分析大数据集时，这种设计会降低程序运行速度有时还会产生跟内存相关的错误。

内存限制主要取决于R的build版（32位还是64位），而在32位的windows下，取决于操作系统的版本。以cannot allocate vectoe of size开头的出错信息表示无法分配充足的连续内存，而以cannot allocate vector of length开头的出错信息表示超越了地址限制（address limit）。在处理大数据集时，应尽量使用64位版的R。对于各种build版，向量中的元素个数最大为2147483647（请自行?Memory）。

在处理大数据集时有三方面应该考虑：（a）提高程序的效率，保证执行速度；（b）把数据储存在外部，以解决内存限制问题；（c）使用专门的统计方法来有效处理大数据量的问题。

下面将分别讨论。

高效编程

下面几条编程技巧来可以提高处理大数据集时的效率

• 尽量向量化运算。使用R内置的函数来处理向量、矩阵和list（例如函数sapply，lapply和mapply），尽量避免使用循环（for和while）;

• 使用矩阵，必要时才使用数据框，因为矩阵的开销更少；
• 使用read.table()

函数族把外部数据导入数据框时，尽量显式设定colClasses和nrows选项，设定comment.char = ""，把不需要的列设置成NULL。这样可以减少占用的内存，同时加快处理速度。将外部数据导入矩阵时，使用scan()函数；

• 在处理全部数据前，用数据的子集测试程序，来优化程序，去掉bug；
• 删除临时对象和不再用的对象。调用rm(list=ls())

可以删除内存中的所有对象。删除指定的对象可以用rm(object)；

• 在Jeromy Anglim的博客文章“R的内存管理：一些小窍门和技巧”(原文Memory Management in R: A Few Tips and Tricks

，被墙)中提到，使用函数.ls.objects()列出工作区内的对象占用的内存大小。这个函数会帮助你找到吃内存的大家伙。

• profile你的程序，看看在每个函数中花的时间。你可以用Rprof()

和summaryRprof()函数完成这项工作。system.time()函数也可以帮助你。profr 和 prooftools 包提供了若干函数来帮助分析profile的输出。

• Rcpp包可以把R对象转成C++函数（原文是The Rcpp package can be used to transfer R objects to C++ functions and back when more optimized subroutines are needed. 后半句不知怎么翻译）

处理大数据集，提高代码效率只能解决一部分问题。你也可以把数据存在外部存储并使用专门的统计分析方法。

把数据存储在内存之外

有几种包可以实现在内存之外存储数据。解决之道是把数据保存在外部数据库或者硬盘里的二进制文件中，然后在需要的时候部分地读取。下表描述了几种有用的包：

包

描述

ff

提供了一种数据结构，保存在硬盘中，但是操作起来就如同在内存中一样

bigmemory

支持大规模矩阵的创建、储存、读取和操作。矩阵被分配到共享内存或内存映射的文件中（memory-mapped files）

filehash

实现了简单的key-value数据库，在其中特征字符串key与存储在硬盘中的数据value相关联。

ncdf, ncdf4

Provides an interface to Unidata netCDF data files.

RODBC, RMySQL,ROracle, RPostgreSQL,RSQLite

可以用这些包读取外部关系数据库管理系统的数据

上面的包可以帮助克服R的内存限制。除此以外，当需要在有限时间内分析大数据集时，使用专门方法也是必须的。一些有用的方法将在下面介绍。

分析大数据集的包

R提供了几种分析大数据集的包：

• biglm

 和 speedglm 包可以针对大数据集有效地拟合线性和广义线性模型。在处理大规模数据集时，这两个包提供了类似lm()和glm()的功能。

• 由 bigmemory

 包可产生大规模矩阵，一些包可以提供分析这些大规模矩阵的函数。bigannalytics 包提供了k-means聚类、行统计量（column statistics）和一个对biglm()的封装。bigtabulate 包提供了table()、split()和tapply()的功能，bigalgebra 包提供了高等线性代数的函数。

• biglars

 包提供了最小角回归（least-angle regression）、lasso以及针对大数据集的逐步回归，数据集因太大而不能读入到内存中，这时候要配合 ff 包使用。

• Brobdingnag

 包可以用来处理大数字（大于2^1024）

处理从GB到TB级的数据对于任何数据都是极大的挑战。