[R-br] Trabalhar com muitos dados

[Benilton Carvalho]

Curiosidade minha....

Por acaso, o resultado de

.Machine$sizeof.pointer

e' 4?

b

2012/10/16 Roney Fraga <roneyfraga em gmail.com>:
> 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
>
> _______________________________________________
> R-br mailing list
> R-br em listas.c3sl.ufpr.br
> https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
> Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código
> mínimo reproduzível.