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@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.