在 R 中处理大数据的有效方法答案

【问题标题】：Efficient way to handle big data in R在 R 中处理大数据的有效方法
【发布时间】：2017-10-08 15:03:27
【问题描述】：

我有一个巨大的 csv 文件，1.37 GB，当我在 R 中运行我的 glm 时，它崩溃了，因为我没有分配足够的内存。你知道，常规错误..

是否没有包 ff 和 bigmemory 的替代品，因为它们似乎不适合我，因为我的列是整数和字符的混合，而且似乎对于这两个包我必须指定我的列的类型是，字符或整数。

我们即将在 2018 年将人类送上火星；有没有简单的“read.csv.xxl”函数我们可以使用？

【问题讨论】：

标签： r bigdata

【解决方案1】：

我首先要解决您的问题，即仅仅因为您的示例数据占用 1.37 GB，不就完全意味着 1.37 GB 足以满足您使用 glm 包的所有计算。最有可能的是，您的一项计算可能会达到至少 1.37 GB 的倍数。

对于第二部分，一个实用的解决方法是从 1.37 GB 数据集中抽取一个合理的子样本。您真的需要使用所有原始数据集中的数据点来构建模型吗？或者，会说 10% 的子样本也给你一个统计上显着的模型？如果你降低数据集的大小，那么你就可以用 R 解决内存问题。

请记住，R 完全在内存中运行，这意味着一旦超出可用内存，您可能会倒霉。

【讨论】：

第一部分：完全正确。第二部分：我想使用我所有的数据，因为我想制作一个复杂的模型。而且我需要知道我对自己的估计有多大信心，所以我需要使用我所有的数据。因此我的问题。
@HeyJane 我不确定您是否需要使用所有数据。为了测试这一点，您可以从数据中抽取 10% 的子样本，并将该子集的描述性统计数据与原始数据集进行比较。
是的，我需要使用我的所有数据来评估我对我的估计的确定程度。而且，我想要一个非常复杂的模型。恕我直言，你没有解决我的问题。你只是说“减少数据”
鉴于您的内存限制，您可能无法在此大小的数据集上在 R 中运行 glm。不，根据我的经验，您并不总是需要使用如此大的数据集。模型的复杂性与这个论点关系不大。