如何在R中获得更好的性能：一个大文件或几个小文件？

Question

我有大约200个不同的文件（所有这些都是大矩阵，465x1080）（这对我来说很重要）。然后我使用cbind2使它们成为一个更大的矩阵（465x200000）。

我之所以这样做是因为我需要为每一行创建一个单独的文件（465个文件），我认为R更容易将数据从1个文件加载到内存中只有ONCE，然后只读取每行的行创建一个单独的行每个文件的文件，而不是每行打开和关闭200个不同的文件。

这真的是更快的方式吗？ （我很想知道，因为现在它需要做很多事情）。当我从Windows检查任务管理器时，它显示了R使用的RAM，它一直从700MB到1GB到700MB（每秒两次）。好像主文件没有加载一次，但它在每次迭代中都是从内存中加载和擦除的（这可能是它有点慢的原因？）。

我是初学者，所以我写的所有这些都没有任何意义。

这是我的代码:(那些+1和-1是因为原始数据有1个额外的列，我不需要在新文件中）

extractStationData <- function(OriginalData, OutputName = "BCN-St") {

for (i in 1:nrow(OriginalData)) {

    OutputData <- matrix(NA,nrow = ncol(OriginalData)-1,3)
    colnames(OutputData) <- c("Time","Bikes","Slots")

    for (j in 1:(ncol(OriginalData)-1)) {

        OutputData[j,1] <- colnames(OriginalData[j+1])
        OutputData[j,2] <- OriginalData[i,j+1]

    }

    write.table(OutputData,file = paste(OutputName,i,".txt",sep = ""))
    print(i)

}

}

有什么想法吗？也许我应该在第一个for循环之前创建一个对象（巨大的文件），然后它只会加载一次？

提前致谢。

Answer 1

让我们假设您已经创建了465x200000矩阵，并且有问题的只是extractStationData函数。然后我们可以修改它，例如：

require(data.table)
extractStationData <- function(d, OutputName = "BCN-St") {
  d2 <- d[, -1] # remove the column you do not need
  # create empty matrix outside loop:
  emtyMat <- matrix(NA, nrow = ncol(d2), 3)
  colnames(emtyMat) <- c("Time","Bikes","Slots")
  emtyMat[, 1] <- colnames(d2)
  for (i in 1:nrow(d2)) {
    OutputData <- emtyMat
    OutputData[, 2] <- d2[i, ]
    fwrite(OutputData, file = paste(OutputName, i, ".txt", sep = "")) # use fwrite for speed
  }
}

V2：

如果你的OriginalData是矩阵格式，这种创建新data.tables列表的方法看起来非常快：

extractStationData2 <- function(d, OutputName = "BCN-St") {
  d2 <- d[, -1] # romove the column you dont need
  ds <- split(d2, 1:nrow(d2))
  r <- lapply(ds, function(x) {
    k <- data.table(colnames(d2), x, NA)
    setnames(k, c("Time","Bikes","Slots"))
    k
  })
  r
}
dl <- extractStationData2(d) # list of new data objects
# write to files:
for (i in seq_along(dl)) {
  fwrite(dl[[i]], file = paste(OutputName, i, ".txt", sep = ""))
  }

也应该为data.frame做一些微小的改变：k <- data.table(colnames(d2), t(x), NA)