Файлы mmap и csv

Я пытаюсь понять, как использовать пакет mmap для доступа к большим файлам csv. Точнее, я хотел бы

  • Создайте объект mmap из файла csv с помощью mmap.csv();
  • Сохраните файл, созданный mmap.csv(), содержащий данные в двоичном формате;
  • Уметь "сопоставить двоичные данные с R" с помощью функции mmap().

Достижение 1. и 2. легко: просто используйте mmap.cv() и сохраните tempfile() который содержит двоичные данные, или изменить mmap.cv(), чтобы принять дополнительный параметр в качестве выходного файла (и соответственно изменить строку tmpstruct <- tempfile()). У меня возникают проблемы с 3. В частности, мне нужно построить C-struct для записей в двоичных данных из объекта mmap. Вот простой воспроизводимый пример:

# create mmap object with its file
library(mmap)
data(cars)

m <- as.mmap(cars, file="cars.Rmap")
colnames(m) <- colnames(cars)
str(m) 
munmap(m)

Информация из str() может быть использована для построения C-структуры record.struct, который позволяет отображать двоичный файл cars.Rmap через функцию mmap.

> str(m)
<mmap:temp.Rmap>  (struct) struct [1:50, 1:2] 4 ...
  data         :<externalptr> 
  bytes        : num 400
  filedesc     : Named int 27
 - attr(*, "names")= chr "temp.Rmap"
  storage.mode :List of 2
 $ speed:Classes 'Ctype', 'int'  atomic (0) 
  .. ..- attr(*, "bytes")= int 4
  .. ..- attr(*, "signed")= int 1
 $ dist :Classes 'Ctype', 'int'  atomic (0) 
  .. ..- attr(*, "bytes")= int 4
  .. ..- attr(*, "signed")= int 1
 - attr(*, "bytes")= int 8
 - attr(*, "offset")= int [1:2] 0 4
 - attr(*, "signed")= logi NA
 - attr(*, "class")= chr [1:2] "Ctype" "struct"
  pagesize     : num 4096
  dim          :NULL

В этом случае нам нужны два 4-байтовых целых числа:

# load from disk
record.struct <- struct(speed = integer(),  # int32(), 4 byte int
                        dist  = integer()   # int32(), 4 byte int
                        )
m <- mmap("temp.Rmap", mode=record.struct)

Вывод правильной C-структуры может быть очень непрактичным для "широких" csv файлов (т.е. файлов с десятками или сотнями столбцов). Вот мой вопрос: Как можно построить record.struct напрямую из объекта mmap m?

Ответ 1

Более или менее полный пример того, что вы спрашиваете, используя mmap и mmap.csv

data(mtcars)
tmp <- tempfile()
write.csv(mtcars, tmp)
m <- mmap.csv(tmp)   # mmap in the csv
head(m)
                    X  mpg cyl disp  hp drat    wt  qsec vs am gear carb
1 Mazda RX4           21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
2 Mazda RX4 Wag       21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
3 Datsun 710          22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
4 Hornet 4 Drive      21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
5 Hornet Sportabout   18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
6 Valiant             18.1   6  225 105 2.76 3.460 20.22  1  0    3    1


st <- m$storage.mode

## since m is already mmap'd as a binary, we'll use that here - but you'd store this
m1 <- mmap(attr(m$filedesc, "names"), mode=st, extractFUN=as.data.frame)

head(m1)
                    X  mpg cyl disp  hp drat    wt  qsec vs am gear carb
1 Mazda RX4           21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
2 Mazda RX4 Wag       21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
3 Datsun 710          22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
4 Hornet 4 Drive      21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
5 Hornet Sportabout   18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
6 Valiant             18.1   6  225 105 2.76 3.460 20.22  1  0    3    1

Как упоминается в предыдущем ответе, m $storage.mode - это режим, который вам нужен.

Вы можете пойти еще дальше и сохранить режим в файле, используя какое-то соглашение об именах вашего проекта. Вы также можете создать собственный двоичный объект, используя аргументы len и off для mmap.

Ответ 2

Я даю другой ответ, потому что первый ответ для основного вопроса (как можно построить record.struct непосредственно из объекта mmap m?), однако, я думаю, что также можно обратиться к предикату: "Inferring правая C-структура может быть очень непрактичной для" широких "csv файлов (т.е. файлов с десятками или сотнями столбцов)". Моя мотивация заключается в том, чтобы развеять идею о том, что информация о типе трудно получить для файлов CSV.:)

Предполагая, что данные являются регулярными (то есть атомами за столбец, который должен быть, если он собирался получить карту памяти), вы могли бы просто сделать это:

tmpDF <- read.csv(myFile, nrow = 10)
myClasses <- rapply(tmpDF, typeof)

Таким образом, вы читаете только небольшой объем информации и позволяете R определять классы для вас. Возможно, вам придется обратиться к проблеме stringsAsFactors, то есть через read.csv(..., stringsAsFactors = FALSE).

Ответ 3

Это должно работать:

varClasses <- rapply(m$storage.mode, typeof)

Вот что я получаю:

> rapply(m$storage.mode, typeof)
    speed     dist
 "double" "double" 

(Это связано с тем, что cars хранится как удваивается в моей версии R. Результаты соответствуют вашим, когда тип изменяется на целые числа - см. Обновление 1, ниже.)

Использование этого для создания объекта struct - это просто замена этих типов соответствующими типами C (например, изменение int на integer), что может быть выполнено с помощью поиска по списку, а затем вы можете используйте paste, чтобы создать соответствующий список аргументов.


Здесь m выглядит для меня, используя те же команды, что и вы:

> str(m)
<mmap:/tmp/Rtmpz...>  (struct) struct [1:50, 1:2] 4 ...
  data         :<externalptr> 
  bytes        : num 800
  filedesc     : Named int 3
 - attr(*, "names")= chr "/tmp/RtmpzGwIDT/file77aa9d47"
  storage.mode :List of 2
 $ speed:Classes 'Ctype', 'double'  atomic (0) 
  .. ..- attr(*, "bytes")= int 8
  .. ..- attr(*, "signed")= int 1
 $ dist :Classes 'Ctype', 'double'  atomic (0) 
  .. ..- attr(*, "bytes")= int 8
  .. ..- attr(*, "signed")= int 1
 - attr(*, "bytes")= int 16
 - attr(*, "offset")= int [1:2] 0 8
 - attr(*, "signed")= logi NA
 - attr(*, "class")= chr [1:2] "Ctype" "struct"
  pagesize     : num 4096
  dim          :NULL

Обновление 1: Когда я явно преобразовал cars в целые числа и гарантировал, что объект был фреймом данных (т.е. cars2 <- as.data.frame(apply(cars, 2, as.integer)); colnames(cars2) = colnames(cars)), все работает, а rapply создает "integer", как ожидалось.

Обновление 2: здесь взломайте внутренние аргументы, чтобы перейти к struct():

oTypes  = rapply(m$storage.mode, typeof)
lNames  = names(oTypes)
lTypes  = as.character(oTypes)
lTypes  = paste(lTypes,'()', sep = "")
lArgs   = paste(lNames, lTypes, sep = "=", collapse = ",")

Это приближение, потому что я подозреваю, что lTypes необходимо преобразовать из R в типы C.