追加多个大data.table；使用 colClasses 和 fread 的自定义数据强制；命名管道

Question

[这是一篇文章中的多个错误报告/功能请求，但它们不一定是孤立的。提前为怪物帖子道歉。按照帮助（data.table）的建议在此处发布。另外，我是 R 新手；如果我没有在下面的代码中遵循最佳实践，请道歉。我在努力。]

1。 rbindlist 在 6 * 8GB 文件上崩溃（我有 128GB 内存）

首先我想报告使用 rbindlist 附加大型 data.tables 会导致 R 出现段错误（ubuntu 13.10，打包的 R 版本 3.0.1-3ubuntu1，从 CRAN 的 R 中安装的 data.table）。该机器具有 128 GiB 的 RAM；所以，考虑到数据的大小，我不应该用完内存。

我的代码：

append.tables <- function(files) {
    moves.by.year <- lapply(files, fread)
    move <- rbindlist(moves.by.year)
    rm(moves.by.year)
    move[,week_end := as.Date(as.character(week_end), format="%Y%m%d")]
    return(move)
}

崩溃消息：

 append.tables crashes with this:
> system.time(move <- append.tables(files))
 *** caught segfault ***
address 0x7f8e88dc1d10, cause 'memory not mapped'

Traceback:
 1: rbindlist(moves.by.year)
 2: append.tables(files)
 3: system.time(move <- append.tables(files))

有 6 个文件，每个大约 8 GiB 或 1 亿行长，包含 8 个变量，制表符分隔。

2。 fread 可以接受多个文件名吗？

无论如何，我认为这里更好的方法是允许 fread 将文件作为文件名的向量：

files <- c("my", "files", "to be", "appended")
dt <- fread(files)

据推测，您可以在幕后节省更多的内存，而不必同时保留所有这些对象，因为作为 R 的用户似乎是必要的。

3。 colClasses 给出错误信息

我的第二个问题是我需要为我的一种数据类型指定a custom coercion handler，但这失败了：

dt <- fread(tfile, colClasses=list(date="myDate"))
Error in fread(tfile, colClasses = list(date = "myDate")) : 
  Column name 'myDate' in colClasses not found in data

是的，在日期的情况下，一个简单的：

    dt[,date := as.Date(as.character(date), format="%Y%m%d")]

有效。

但是，我有一个不同的用例，即在从字符转换之前从其中一个数据列中去除小数点。这里的精度非常重要（因此我们需要使用整数类型），从 double 类型强制转换为整数会导致精度丢失。

现在，我可以通过一些 system() 调用来附加文件并通过一些 sed 魔法（此处简化）（其中 tfile 是另一个临时文件）来处理这些文件：

if (has_header) {
    tfile2 <- tempfile()
    system(paste("echo fakeline >>", tfile2))
    system(paste("head -q -n1", files[[1]], ">>", tfile2))
    system(paste("tail -q -n+2", tfile2, paste(files, collapse=" "),
                 " | sed 's/\\.//' >>", tfile), wait=wait)
    unlink(tfile2)
} else {
    system(paste("cat", paste(files, collapse=" "), ">>", tfile), wait=wait)
}

但这涉及一个额外的读/写周期。我有 4 TiB 的数据要处理，这是很多额外的读写（不，不是全部到一个 data.table。大约 1000 个。）

4。 fread 认为命名管道是空文件

我通常离开 wait=TRUE。但我试图通过使 tfile 成为命名管道system('mkfifo', tfile)、设置 wait=FALSE，然后运行 ​​fread(tfile) 来查看是否可以避免额外的读/写周期。然而， fread 抱怨管道是一个空文件：

system(paste("tail -q -n+2", tfile2, paste(files, collapse=" "),
             " | sed 's/\\.//' >>", tfile), wait=FALSE)
move <- fread(tfile)
Error in fread(tfile) : File is empty: /tmp/RtmpbxNI1L/file78a678dc1999

无论如何，这有点小题大做。

如果我有我的愿望清单的简化代码

理想情况下，我可以这样做：

setClass("Int_Price")
setAs("character", "Int_Price",
    function (from) {
        return(as.integer(gsub("\\.", "", from)))
    }
)

dt <- fread(files, colClasses=list(price="Int_Price"))

然后我会得到一个很好的长 data.table 与正确强制数据。

Answer 1

更新：rbindlist 错误已在提交 1100 v1.8.11 中修复。来自新闻：

o 修复了发生在 >250m 行上的罕见段错误（内存分配期间的整数溢出）；关闭 #5305。感谢 Guenter J. Hitsch 的报道。

---

如 cmets 中所述，您应该分别提出不同的问题。不过既然都是这么好的点，最后连成一个愿望，ok，就一口气回答吧。

1. rbindlist 在 6 * 8GB 文件上崩溃（我有 128GB 内存）

请换行再次运行：

moves.by.year <- lapply(files, fread)

到

moves.by.year <- lapply(files, fread, verbose=TRUE)

并将输出发送给我。我认为这不是文件的大小，而是类型和内容。没错，fread 和 rbindlist 在 128GB 盒子上加载 48GB 数据应该没有问题。正如你所说，lapply 应该返回 48GB，然后rbindlist 应该创建一个新的 48GB 单表。这应该适用于您的 128GB 机器，因为 96GB data.table 还没有赶上 R3 中的长向量支持，否则 > 2^31 行就可以了，也）。

2。 fread 可以接受多个文件名吗？

好主意。正如你所说，fread 可以先扫描所有 6 个文件，检测它们的类型并计算总行数。然后直接为这 6 亿行分配一次。这将不必要地节省 48GB 的​​ RAM。它还可能在开始读取第一个文件之前检测到第 5 个或第 6 个文件（比如说）中的任何异常，因此在出现问题时会更快地返回。

我会将此作为功能请求提交并在此处发布链接。

3. colClasses 给出错误消息

当键入list 时，类型出现在= 的左侧，列名或位置的向量出现在右侧。这个想法比read.csv 中的colClasses 更容易，它只接受一个向量；以节省一遍又一遍地重复"character"。我本可以发誓这在?fread 中有更好的记录，但似乎没有。我去看看。

所以，而不是

fread(tfile, colClasses=list(date="myDate"))
Error in fread(tfile, colClasses = list(date = "myDate")) : 
    Column name 'myDate' in colClasses not found in data

正确的语法是

fread(tfile, colClasses=list(myDate="date"))

鉴于您在问题中继续说的话，iiuc，您实际上想要：

fread(tfile, colClasses=list(character="date"))  # just fread accepts list

或

fread(tfile, colClasses=c("date"="character"))   # both read.csv and fread

其中任何一个都应将名为“日期”的列加载为字符，以便您可以在强制之前对其进行操作。如果它真的只是日期，那么我仍然要自动实施该强制。您提到了numeric 的精度，所以只是提醒integer64 也可以直接被fread 读取。

4. fread 认为命名管道是空文件

如果前面的问题得到解决，希望这种情况现在消失吗？ fread 通过内存映射其输入来工作。它可以接受非文件，例如 http 地址和连接 (tbc)，为了方便起见，它首先要做的是将完整的输入写入 ramdisk，以便它可以从那里映射输入。 fread 速度快的原因在于首先查看整个输入。