[R-br] Trabalhar com muitos dados

[Roney Fraga]

Caros,

Estou trabalhando com os dados dos censos populacionais de 2000 e 2010. A
minha dificuldade é o volume de dados, pois cada censo tem aproximadamente
20 milhões de linhas. Considerando os dados estão em arquivos .csv,
um único aquivo de 12 GB para o censo de 2010 e um arquivo para cada estado
no censo de 2000, que totalizam 11 GB. Utilizo um notebook com processador
Intel Core i5 2410M, 8 GB de ram com 3 GB de SWAP e o sistema operacional é
o Arch Linux. Tenho quatro dúvidas que estão abaixo em meio da minha
explicação sobre os problemas que venho enfrentando.

Para ler os arquivos .csv conheço as seguintes opções:

a) trabalhar com um banco de dados relacional.
R.: estou com um problema com o postgresql que ainda não tenho solução,
portanto, essa alternativa esta descartada no momento.

b) utilizar o sqldf.
R.: acredito que o sqldf não é eficiênte para trabalhar com arquivos
grandes, o processo é encerrado antes de concluir a operação. Exemplo:

> library(sqldf)
> read.csv.sql('censo00ba1.csv', sql = "select V0102 from file", header =
TRUE, sep = ",")
[ reached getOption("max.print") -- omitted 1498127 rows ]
Warning messages:
1: closing unused connection 4 (censo00ba1.csv)
2: closing unused connection 5 (censo00ba1.csv)

1ª dúvida: isso sempre acontece com o sqldf, ou alguém consegue utilizá-lo
com para ler arquivos grandes?

c) utilizar o comando cut e grep do Linux/Mac para filtrar os dados e ter
um arquivo .csv menor, dessa forma é possível ler o arquivo pelo comando do
R, read.csv().
R.: utilizei essa opção. Exemplo:
cut -d',' -f1,4,5,6,10,79,81,84,91,92,95,97,111,113,114,149,150,188
 br2010.csv > br2010b.csv

Uma vez superada a dificuldade da importação dos dados deletei algumas
coisas e fiquei com três arquivos com as seguintes dimensões:
> dim(cs);dim(cs2000);dim(cs2010)
[1] 6077327      23           # censos 2000 e 2010
[1] 2865716      23           # censo 2000
[1] 3211611      23           # censo 2010

Quanto ao processamento:

d) Consigo rodar regressão simples para o censo de 2000 e para o censo de
2010 separadamente, como segue exemplo:

> ma <- lm(lnrenda ~ factor(ee) + idade + idade2 + factor(tt) +
factor(cor.raca) + rural + feminino + migrante + factor(UF), data=cs2000)
> mb <- lm(lnrenda ~ factor(ee) + idade + idade2 + factor(tt) +
factor(cor.raca) + rural + feminino + migrante + factor(UF), data=cs2010)

mas não consigo rodar o mesmo modelo para os dados do arquivo 'cs', que tem
6.077.327 linhas, que é censo 2000 mais censo 2010. Pois, aparece a
seguinte mensagem de erro:
> mc <- lm(lnrenda ~ factor(ee) + idade + idade2 + factor(tt) +
factor(cor.raca) + rural + feminino + migrante + factor(UF) + factor(ano),
data=cs)
Error: cannot allocate vector of size 2.0 Gb

2ª dúvida: qual procedimento posso utilizar para solucionar esse problema
de rodar a regressão das 6.077.327 observações?
Um amigo indicou aumentar a memória SWAP, essa é uma boa opção?

3ª dúvida: ao realizar um processo que demanda muita memória ram o R não
consegue realizar outro processo pesado em seguida, pois a memória fica
ocupada. Exemplo, ao rodar uma regressão em uma base de dados com 3 milhões
de linhas eu não consigo realizar outra regressão pq a memória fica cheia.
Dúvida, tem como 'limpar' os dados da memória para poder realizar outros
cálculos?

4ª dúvida: trabalhar com paralelismo pode auxiliar nesse tipo
de processamento?


Grato pela atenção.
Roney
-------------- Próxima Parte ----------
Um anexo em HTML foi limpo...
URL: <http://listas.inf.ufpr.br/pipermail/r-br/attachments/20121016/40bb595a/attachment.html>