使用 sqldf 将巨大的 csv 文件读取到 R 中是可行的，但是 sqlite 文件占用的空间是它应该和需要的两倍 "vacuuming"

Question

四处阅读，我发现读取大于内存的 csv 文件的最佳方法是使用 sqldf 包中的 read.csv.sql。该函数将数据直接读入sqlite数据库，并执行sql语句。

我注意到了以下几点:读入sqlite的数据似乎是存储在一个临时表中的，所以为了方便以后使用，需要在sql语句中这样询问。

例如，下面的代码将一些样本数据读入sqlite:

# generate sample data
sample_data <- data.frame(col1 = sample(letters, 100000, TRUE), col2 = rnorm(100000))
# save as csv
write.csv(sample_data, "sample_data.csv", row.names = FALSE)
# create a sample sqlite database
library(sqldf)
sqldf("attach sample_db as new") 
# read the csv into the database and create a table with its content
read.csv.sql("sample_data.csv", sql = "create table data as select * from file", 
             dbname = "sample_db", header = T, row.names = F, sep = ",")

然后可以使用 sqldf("select * from data limit 5", dbname = "sample_db") 访问数据。

问题如下:sqlite 文件占用的空间是它应该占用的空间的两倍。我的猜测是它包含两次数据:一次用于临时读取，一次用于存储表。可以使用 sqldf("vacuum", dbname = "sample_db") 清理数据库。这将回收空白空间，但需要很长时间，尤其是当文件很大时。

是否有更好的解决方案，不会在第一次创建此数据重复？

Answer 1

解决方案:使用RSQLite而不通过sqldf:

library(RSQLite)
con <- dbConnect("SQLite", dbname = "sample_db")
# read csv file into sql database
dbWriteTable(con, name="sample_data", value="sample_data.csv", 
             row.names=FALSE, header=TRUE, sep = ",")