Utilisation de read.big.matrix()

Bonjour,

Je dois travailler sur une très grosse base de données. Il m'est bien sûr impossible de la charger directement avec un simple read.csv en raison d'un problème d'allocation de buffer. On effet si j'essaye j'obtiens ce message :

Code:

---

1 2 3 4 5 6 7 8 9

donnees <- read.csv2("DataOPCDA.csv",header=FALSE,sep=";") Erreur dans scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings, : could not allocate memory (1024 Mb) in C function 'R_AllocStringBuffer' De plus : Messages d'avis : 1: In scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings, : Reached total allocation of 1500Mb: see help(memory.size) 2: In scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings, : Reached total allocation of 1500Mb: see help(memory.size)

---

Après quelques recherches sur les problèmes de chargement de grosses base de données, j'ai essayé d'augmenter la capacité d'allocation en jouant sur la fonction memory.size() mais sans succès.

Je suis ensuite tombé sur la librairie bigmemory. L'utilisation de la fonction read.big.matrix() me permet de charger ma base de données. Le seul problème c'est qu'une de mes colonnes contient un timestamp. Pour vous donner une idée voici les 15 premières lignes de mon fichier :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13

1 5.0 34.4 192 25/02/2010 10:53 2 11.0 15.03 192 25/02/2010 10:53 3 21.0 56.3 192 25/02/2010 10:53 4 31.0 63.2 192 25/02/2010 10:53 6 1.0 33.5 192 25/02/2010 11:03 7 6.0 15.0 192 25/02/2010 11:02 8 21.0 58.5 192 25/02/2010 11:03 9 31.0 67.7 192 25/02/2010 11:03 11 1.0 0.0 0 25/02/2010 14:28 12 2.0 0.0 0 25/02/2010 14:28 13 3.0 0.0 0 25/02/2010 14:28 14 4.0 0.0 0 25/02/2010 14:28 15 5.0 0.0 0 25/02/2010 14:28

---

La fonction n'arrive donc pas à récuperer ma dernière colonne elle s'arrête au premier / (normal vu qu'elle attend un double par défaut)
Si je lui demande d'afficher mes 15 premières lignes j'obtiens bien :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

donnees[1:25,1:5] [,1] [,2] [,3] [,4] [,5] [1,] 5 1 34.40 192 25 [2,] 2 11 15.03 192 25 [3,] 3 21 56.30 192 25 [4,] 4 31 63.20 192 25 [5,] 6 1 33.50 192 25 [6,] 7 11 15.00 192 25 [7,] 6 21 58.50 192 25 [8,] 9 31 67.70 192 25 [9,] 11 1 0.00 0 25 [10,] 12 2 0.00 0 25 [11,] 13 3 0.00 0 25 [12,] 14 4 0.00 0 25 [13,] 15 5 0.00 0 25 [14,] 16 6 0.00 0 25 [15,] 17 7 0.00 0 25

---

Ma question est donc la suivante : est-il possible de charger une matrice contenant une chaîne de caractère avec cette fonction read.big.matrix(). Si non, avez vous un moyen efficace de charger une grosse base de données contenant des timestamp ?



Merci d'avance.

Bonjour et bienvenue,

Malheureusement ça ne semble pas possible directement : il s'agit d'une matrice et donc tous les éléments doivent être du même type.
De plus, l'option type="char" semble ne pas donner le résultat escompté... de toute façon ça aurait été une source d'ennuis d'avoir toute la matrice en characters.

Je pense que quelles que soient les analyses que tu souhaites faire, tu auras besoin de charger ces timestamps dans un vecteur à part.
Différentes techniques peuvent être utilisées pour les gros jeux de données (cf. http://cran.r-project.org/doc/manuals/R-data.html) :

• utiliser directement la fonction scan, qui est moins gourmande en mémoire et temps processeur que read.table :
  
  Code:

  ---

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

  > scan("data.tmp", what=list(NULL, "numeric", "numeric", "numeric", "character"), sep=",") Read 13 records [[1]] NULL   [[2]] [1] "5.0" "11.0" "21.0" "31.0" "1.0" "6.0" "21.0" "31.0" "1.0" "2.0" [11] "3.0" "4.0" "5.0"   [[3]] [1] "34.4" "15.03" "56.3" "63.2" "33.5" "15.0" "58.5" "67.7" "0.0" [10] "0.0" "0.0" "0.0" "0.0"   [[4]] [1] "192" "192" "192" "192" "192" "192" "192" "192" "0" "0" "0" "0" [13] "0"   [[5]] [1] "25/02/2010 10:53" "25/02/2010 10:53" "25/02/2010 10:53" "25/02/2010 10:53" [5] "25/02/2010 11:03" "25/02/2010 11:02" "25/02/2010 11:03" "25/02/2010 11:03" [9] "25/02/2010 14:28" "25/02/2010 14:28" "25/02/2010 14:28" "25/02/2010 14:28" [13] "25/02/2010 14:28"

  ---

  Pour optimiser l'utilisation de mémoire, tu as en fait intérêt à ne lire que la dernière colonne :
  
  Code:

  ---

  1 2 3 4 5 6

  > scan("data.tmp", what=list(NULL, NULL, NULL, NULL, "character"), sep=",")[[5]] Read 13 records [1] "25/02/2010 10:53" "25/02/2010 10:53" "25/02/2010 10:53" "25/02/2010 10:53" [5] "25/02/2010 11:03" "25/02/2010 11:02" "25/02/2010 11:03" "25/02/2010 11:03" [9] "25/02/2010 14:28" "25/02/2010 14:28" "25/02/2010 14:28" "25/02/2010 14:28" [13] "25/02/2010 14:28"

  ---

  que tu peux stocker et transformer en objet de type date si besoin.
  
  
• utiliser une base de données (éventuellement relationnelle) pour faire les extractions grâce à des requêtes SQL
  
  
• ... (j'en oublie certainement)

Merci beaucoup d'avoir répondu aussi vite. Je vais essayé d'utiliser le scan().

Si je n'y arrive pas avec j'envisagerai l'utilisation de base de données.

En tout cas encore une fois merci pour le coup de main.

Malheureusement le scan() est lui aussi trop gourmand. J'obtiens la même erreur :

Code:

---

1 2 3

> temps = scan("DataOPCDA.csv", what=list(NULL, NULL, NULL, NULL, "character"), sep=";") Erreur dans scan(file, what, nmax, sep, dec, quote, skip, nlines, na.strings, : could not allocate memory (512 Mb) in C function 'R_AllocStringBuffer'

---

Je suppose qu'il n'y a pas 50 solutions. Soit je découpe mon fichier d'origine, soit je travaille avec des bases de données.

A moins que quelqu'un est une autre idée ?

Il semble que le problème soit la taille du fichier d'entrée.
Pour le contourner, tu peux essayer de stocker la dernière colonne dans un nouveau fichier à l'aide de la commande awk (commande unix que tu peux également avoir sous windows grâce à mingw ou cygwin) :

Code:

---

awk -F ";" '{print $NF}' ./data.tmp > ./timestamps.dat

---

(si c'est bien séparateur ";")

Merci pour cette proposition.

J'ai trouvé une méthode pas super mais qui permet de contourner le problème. J'utilise la fonction read.big.matrix() et je lui met comme séparateur : sep=";|/| |:".

Du coup il me sépare ma dernière variable timestamp mais me charge bien tout dans une matrice. Je peux ensuite recréer une nouvelle matrice où je concatène mes dernières colonnes pour récupérer ma variable timestamp.

C'est loin d'être idéal mais c'est une solution. J'essayerais quand même ta proposition quand j'aurais un peu de temps pour me pencher dessus. Merci encore pour cette aide.

Bonjour,

Je commence à me remettre doucement à R où je dois manipuler des gros fichiers. En recherchant des solutions je suis tombé sur le package "ff" pour manipuler des gros objets (http://cran.r-project.org/web/packages/ff/index.html).
Je ne l'ai pas encore complètement testé mais peut être que cela pourrait aider.

Merci pour cette info. J'essayerais de regarder ce package.