r - 如何在 R 中使用 ff 包合并两个大型 data.frames？

Question

我有两个非常大的 .csv 文件，我们将它们称为 CSV.1 和 CSV.2(CSV.1 约为 1.4 GB，CSV.2 约为 790 MB)，我想使用以下方式加入它们公共(public)字段“Id”上的 FULL OUTER JOIN。 CSV 文件的字段有多种类型，有些是完全数字的，有些是字符串。此外，CSV.1 约有 190 列和 160 万条记录，CSV.2 约有 40 列和 57 万条记录。

最初，我编写并执行了以下代码:

first_csv <- read.csv("CSV.1")
second_csv <- read.csv("CSV.2")
joined_csv <- join(CSV.1, CSV.2, by="Id", type="full")

但是，这返回了典型的“您的 RAM 已完全征税”错误。所以我尝试了以下方法:

# Install and invoke the ff package
install.packages("ff")
library(ff)
library(plyr)

# Read in the data
first_csv <- read.csv("CSV.1")
second_csv <- read.csv("CSV.2")

# Convert dataframes to ffdf's, while freeing up memory
first_csv_ff <- as.ffdf(first_csv)
rm(first_csv)
gc()
second_csv_ff <- as.ffdf(second_csv)
rm(second_csv)
gc()

# Attempt to join the two ffdf's by "Id"
joined_csv <- join(first_csv_ff, second_csv_ff, by="Id", type="full")

R 发出以下错误:

Error in as.hi.integer(x, maxindex = maxindex, dim = dim, vw = vw, pack = pack) : 
NAs in as.hi.integer

我也尝试过，不带 as.ffdf 的“<- ffdf() ”，但也没有什么乐趣。

提前非常感谢您的帮助!

Answer 1

您可以使用ff包的merge，仅供引用:

FULL Outer join ~ merge(x = df1, y = df2, ...., all = TRUE)

根据您的数据，这应该有效:

merge(first_csv_ff, second_csv_ff, by="Id", all=TRUE)