Data.table: बड़े csv (44 GB) के साथ fread नवीनतम डेटा में बहुत अधिक RAM लेता है। तालिका देव संस्करण

यह गैर-समानांतर फ़्रेड कार्यान्वयन से आउटपुट है (डेटा.टेबल 1.10.5 इन डेवलपमेंट बिल्ट 2017-02-09)

और मैंने उपयोग की गई मेमोरी की मात्रा को दोबारा जांचा और यह सिर्फ 84GB तक चला गया।

गिलर्मो

हाँ आप ठीक कह रहे हैं। बढ़िया रिपोर्ट के लिए धन्यवाद. अनुमानित नारो सही दिखता है (858,881 बनाम 872,505) लेकिन फिर आवंटन उससे 4.2X बड़ा (3,683,116) और रास्ता बंद है। मैंने गणना में सुधार किया है और वर्बोज़ आउटपुट में और विवरण जोड़े हैं। जब तक कुछ और चीजें नहीं हो जातीं, तब तक पुन: परीक्षण को रोक दें।

ठीक है कृपया पुनः परीक्षण करें - अभी ठीक किया जाना चाहिए।

मैंने अभी data.table dev स्थापित किया है:
डेटा.टेबल 1.10.5 निर्मित विकास में 2017-03-27 02:50:31 यूटीसी

जब मैंने उसी ४४ जीबी फ़ाइल को पढ़ने की कोशिश की तो मुझे जो पहली चीज़ मिली, वह यह संदेश था:

डीटी <- फ़्रेड ('dt.daily.4km.csv')
त्रुटि: रक्षा (): सुरक्षा ढेर अतिप्रवाह

फिर मैंने वही आदेश फिर से चलाया और ठीक काम करना शुरू कर दिया। हालाँकि, यह संस्करण मल्टी-कोर मोड का उपयोग नहीं कर रहा है। लोड होने में ~ 25 मिनट का समय लग रहा है, ठीक उसी तरह जैसे आप फ़्रेड-समानांतर संस्करण डालते हैं।

गिलर्मो

मैंने सभी आर-सत्रों को बंद कर दिया और एक परीक्षण फिर से चलाया और मुझे एक त्रुटि मिल रही है:

अनुमानित स्तंभ प्रकार ५०८ स्तंभों में ३४७११७४५ मानों के लिए अपर्याप्त था। इन कॉलम कक्षाओं को मैन्युअल रूप से सेट करने के लिए colClasses का उपयोग करें।

नीचे देखें, मुझे "अनुमानित पूर्णांक लेकिन इसमें <<0....>> . के संबंध में कई संदेश मिलते हैं

_पढ़ें 872505 पंक्तियों x 12785 कॉलम 43.772जीबी फ़ाइल से 15:27.024 दीवार घड़ी समय में (किसी भी अन्य खुले ऐप्स द्वारा धीमा किया जा सकता है, भले ही यह निष्क्रिय प्रतीत हो)
कॉलम 171 ('D_19810618') ने 'पूर्णांक' का अनुमान लगाया लेकिन इसमें <<2.23000001907349>>
कॉलम 347 ('D_19811211') ने 'पूर्णांक' का अनुमान लगाया लेकिन इसमें <<1.02999997138977>>
कॉलम 348 ('D_19811212') ने 'पूर्णांक' का अनुमान लगाया लेकिन इसमें <<3.75>>_ शामिल हैं

वाह - आपकी फ़ाइल वास्तव में किनारे के मामलों का परीक्षण कर रही है। महान। भविष्य में कृपया verbose=TRUE साथ चलाएं और पूरा आउटपुट प्रदान करें। लेकिन इस मामले में आपके द्वारा प्रदान की गई जानकारी से मैं देख सकता हूं कि वास्तव में समस्या क्या है। प्रत्येक थ्रेड के लिए प्रत्येक कॉलम के लिए एक बफर बनाया गया है (इस मामले में, 12,000 से अधिक कॉलम)। वर्तमान में प्रत्येक को अलग से संरक्षित किया गया है। इससे बचने का एक उपाय है - करेंगे। अनुमान के प्रकार के बारे में संदेश सही हैं। क्या वे 508 कॉलम आपके लिए कुछ मायने रखते हैं और आप सहमत हैं कि उन्हें संख्यात्मक होना चाहिए? आप इस तरह से colClasses कई कॉलम पास कर सकते हैं: colClasses=list("numeric"=11:518)

यह डेटा किस क्षेत्र का है? क्या आप फाइल बना रहे हैं? ऐसा लगता है कि इसे विस्तृत प्रारूप में बदल दिया गया है जहां लंबे प्रारूप में लिखना (और इसे स्मृति में भी रखना) सामान्य सर्वोत्तम अभ्यास है। मैं आम तौर पर कॉलम में मान के रूप में "D_19810618" जैसे 508 कॉलम नाम देखने की अपेक्षा करता हूं, कॉलम के रूप में नहीं। यही कारण है कि मैं पूछता हूं कि क्या आप फाइल बना रहे हैं और क्या आप इसे लंबे प्रारूप में बना सकते हैं। यदि नहीं, तो जो कोई भी फ़ाइल बना रहा है उसे सुझाव दें कि वे इसे बेहतर तरीके से कर सकते हैं। मुझे लगता है कि आप शायद .SD और .SDcols का उपयोग करके कॉलम के माध्यम से संचालन लागू कर रहे हैं। यह वास्तव में लंबे प्रारूप और keyby= में "D_19810618" जैसे मानों वाले कॉलम में बहुत बेहतर है।

लेकिन मैं फिर भी कोशिश करूँगा और fread जितना अच्छा किसी भी इनपुट से निपटने में हो सकता है - यहां तक ​​​​कि 12,000 से अधिक कॉलम की बहुत विस्तृत फाइलें।

मुझे आशा है कि अन्य लोग अपनी फाइलों पर परीक्षण कर रहे हैं और कोई समस्या नहीं ढूंढ रहे हैं!

_ क्या वे 508 कॉलम आपके लिए कुछ मायने रखते हैं और आप सहमत हैं कि उन्हें संख्यात्मक होना चाहिए?

इस तालिका में पंक्ति दर समय श्रृंखला है। IDx,IDy, Time1_value, Time2_value, Time3_value... और सभी Time N _value कॉलम में केवल संख्यात्मक मान होते हैं। अगर मैं colClasses का उपयोग करता हूं, तो मुझे इसे 12783 के लिए करने की आवश्यकता होगी: सूची ("संख्यात्मक" = 2: 12783)। मैं यह कोशिश करूँगा।

_यह डेटा किस क्षेत्र का है?_
भू-स्थानिक डेटा। मैं आईडीएक्स और आईडीई का उपयोग करके डीटी के भीतर यूक्लिडियन-दूरी की खोज कर रहा हूं। मैं अनुमान लगा रहा हूँ कि जितनी अधिक पंक्तियाँ खोज को धीमा करती हैं, है ना?
अभी काफी तेज (विस्तृत प्रारूप) है। मेरे पास एक नक्शा है, जहां एक उपयोगकर्ता किसी क्षेत्र पर क्लिक कर सकता है और फिर एक सीएसवी फ़ाइल के भीतर निकटतम स्थान (डेटा उपलब्ध के साथ) से दिए गए क्लिक पर एक समय श्रृंखला उत्पन्न होती है। मैं इसके बजाय एक लंबे प्रारूप के साथ इसे लागू करूंगा।

मैं कुछ परिणामों के साथ वापस आऊंगा।

ठीक अच्छा। आपको list("numeric"=2:12783) iiuc की आवश्यकता नहीं है क्योंकि इसे केवल 508 कॉलम के साथ मदद की आवश्यकता है। ओह - मैं देखता हूं - 508 कॉलम के माध्यम से बिखरे हुए हैं जो मुझे लगता है (वे कॉलम का एक संगत सेट नहीं हैं)?

नहीं - data.table व्यापक होने पर लगभग कभी तेज़ नहीं होता है! लंबा लगभग हमेशा तेज और अधिक सुविधाजनक होता है। क्या आपने देखा है और क्या आपने roll="nearest" की कोशिश की है? आप इसे अभी कैसे कर रहे हैं? कृपया कोड दिखाएं ताकि हम समझ सकें। लगभग निश्चित रूप से लंबा प्रारूप बेहतर है लेकिन हमें निकटतम 2डी के लिए कुछ संवर्द्धन की आवश्यकता हो सकती है। कृपया समय भी बताएं। जब आप "बहुत तेज़" कहते हैं, तो यह पता चलता है कि "बहुत तेज़" क्या है, इसके बारे में लोगों के विचार बेतहाशा भिन्न हैं।

इस तालिका को पिघलाकर 2^31 की सीमा तक पहुंचें। मुझे त्रुटि मिल रही है: "नकारात्मक लंबाई वैक्टर की अनुमति नहीं है"।

मैं यह देखने के लिए स्रोत पर वापस आऊंगा कि क्या मैं इसे लंबे प्रारूप में उत्पन्न कर सकता हूं।

# Read Data 
DT <- fread('dt.daily.4km.csv', showProgress = FALSE)
# Add two columns with truncated values of x and y (these are geog. coords.)
DT[,y_tr:=trunc(y)]
DT[,x_tr:=trunc(x)]

# For using on plotting (x-axis values)
xaxis<-seq.Date(as.Date("1981-01-01"),as.Date("2015-12-31"), "day") 

# subset by truncated coordinates to avoid full-table search. Now searches
# will happen in a smaller subset
DT2 <- DT[y_tr==trunc(y_clicked) & x_tr==trunc(x_clicked),]
# Add distance from each point in the data.table to the provided location, "gdist" is from
# Imap package for euclidean distance. 
DT2[,DIST:=gdist(lat.1 = DT2$y,
                       lon.1 = DT2$x,
                       lat.2 = y_clicked,
                       lon.2 = x_clicked, units="miles")]
# Get the minimum distance 
minDist <- min(DT2[,DIST])

# Get the y-axis values
yt <- transpose(DT2[DIST==minDist,3:(ncol(DT2)-3)])$V1`

# Ready to plot xaxis vs yt 
...
...

मेरे पास सार्वजनिक सर्वर पर एप्लिकेशन नहीं है। अनिवार्य रूप से, उपयोगकर्ता मानचित्र पर क्लिक कर सकता है और फिर मैं उन निर्देशांकों को कैप्चर करता हूं और उपरोक्त खोज करता हूं, समय श्रृंखला प्राप्त करता हूं, और एक प्लॉट बनाता हूं।

बहुत बड़ी संख्या में स्तंभों के लिए एक और स्टैक ओवरफ़्लो मिला और ठीक किया गया: https://github.com/Rdatatable/data.table/commit/d0469e670961dcdea115d433c0f2dce596d65906। इस इश्यू नंबर को कमिट मैसेज में टैग करना भूल गए।

ओह। यह एक बिंदु है। 872505 पंक्तियाँ * 12780 कॉल्स 11 बिलियन पंक्तियाँ हैं। तो लंबे प्रारूप में जाने का मेरा सुझाव आपके लिए काम नहीं करेगा क्योंकि वह> 2 ^ 31 है। क्षमा करें - मुझे वह देखना चाहिए था। हमें बस गोली काटनी होगी और फिर > 2^31 जाना होगा। इस बीच, आपके द्वारा काम किए जा रहे विस्तृत प्रारूप के साथ बने रहें और मैं इसे कम कर दूंगा।

कृपया पुन: प्रयास करें। मेमोरी का उपयोग वापस सामान्य होना चाहिए और इसे 12,785 कॉलम में से 508 को आउट-ऑफ-सैंपल प्रकार अपवादों के साथ स्वचालित रूप से फिर से पढ़ना चाहिए। ऑटो रीरन समय से बचने के लिए आप colClasses सेट कर सकते हैं।
यदि यह ठीक नहीं है, तो कृपया पूर्ण वर्बोज़ आउटपुट पेस्ट करें। उंगलियों को पार कर!

ठीक...
नवीनतम data.table dev: data.table 1.10.5 के साथ परिणामों का सारांश

उल्लेख करने के लिए चार मुख्य बिंदु:

1. फ़्रेड ने चर्चा में फ़ाइल को पढ़कर ठीक काम किया।
2. पिछले संस्करण की तुलना में पढ़ने में ~ 5.5 मिनट का समय लगा, जिसमें ~ 1.3 मिनट लगे।
3. यह संस्करण पिछले संस्करण के रूप में रैम आवंटन में वृद्धि नहीं करता है जिसका मैं परीक्षण कर रहा था।
4. कोर "कम सक्रिय" प्रतीत होते हैं (नीचे स्क्रीनशॉट देखें)।

कुछ टिप्पणियाँ/प्रश्न:
1.
कोर में उपयोग का प्रतिशत पहले जैसा सक्रिय नहीं है, स्क्रीनशॉट देखें:

फ़्रेड के पिछले संस्करण में, कोर की गतिविधि हमेशा ~ 90-80% थी। जैसा कि ऊपर की छवि में दिखाया गया है, इस संस्करण में प्रत्येक कोर ~ 2-3% के आसपास रहा।

1. 
   मुझे समझ नहीं आ रहा है कि फ़्रेड पूर्णांक से संख्यात्मक तक क्यों धक्कों कर रहा है: उदा

Column 1489 ("D_19850126") bumped from 'integer' to 'numeric' due to <<0.949999988079071>> somewhere between row 6041 and row 24473

मैंने उन पंक्तियों को दोबारा चेक किया और यह ठीक लगता है। पूर्णांक के रूप में क्यों पाया जाता है और यदि पहले से ही संख्यात्मक है तो 'बम्प्ड' से 'संख्यात्मक' होने की आवश्यकता है (नीचे सुझाई गई पंक्तियों के लिए सारांश देखें)? या मैं इस लाइन को गलत तरीके से समझ रहा हूँ? यह 508 लाइनों के लिए होता है। क्या NA की वजह से परेशानी हो रही है?

summary(DT[6041:24473,.(D_19850126)])
   D_19850126   
 Min.   :0.750  
 1st Qu.:0.887  
 Median :0.945  
 Mean   :0.966  
 3rd Qu.:1.045  
 Max.   :1.210  
 NA's   :18393 

परीक्षण से बाहर कुछ क्रिया के नीचे।

DT<-fread('dt.daily.4km.ver032917.csv', verbose=TRUE)

आउटपुट

Parameter na.strings == <<NA>>
None of the 0 na.strings are numeric (such as '-9999').Input contains no \n. Taking this to be a filename to open
File opened, filesize is 43.772296 GB.
Memory mapping ... ok
Detected eol as \n only (no \r afterwards), the UNIX and Mac standard.
Positioned on line 1 starting: <<x,y,D_19810101,D_19810102,D_19810103,D_19810104,D_19810105,D_19810106,D_19810107,D_19810108,D_19810109,D_19810110,D_19810111,D_19810112,D_19810113,
...  
...
All the fields on line 1 are character fields. Treating as the column names.
Number of sampling jump points  = 11 because 1281788 startSize * 10 NJUMPS * 2 = 25635760 <= -244636240 bytes from line 2 to eof
Type codes (jump 00)    : 441111111111111111111111111111111111111111111111111111111111111111111111111111111111111111...1111111111  Quote rule 0
Type codes (jump 01)    : 444422222222222222242444424444442222222222424444424442224424222244222222222242422222224422...4442244422  Quote rule 0
Type codes (jump 02)    : 444422222222222222242444424444442422222242424444424442224424222244222222222242424222424424...4442444442  Quote rule 0
Type codes (jump 03)    : 444422222222222224242444424444444422222244424444424442224424222244222222222244424442424424...4442444442  Quote rule 0
Type codes (jump 04)    : 444444244422222224442444424444444444242244444444444444424444442244444222222244424442444444...4444444444  Quote rule 0
Type codes (jump 05)    : 444444244422222224442444424444444444242244444444444444424444442244444222222244424442444444...4444444444  Quote rule 0
Type codes (jump 06)    : 444444444422222224442444424444444444242244444444444444424444444444444244444444424442444444...4444444444  Quote rule 0
Type codes (jump 07)    : 444444444422222224442444424444444444242244444444444444444444444444444244444444424444444444...4444444444  Quote rule 0
Type codes (jump 08)    : 444444444442222224444444424444444444242244444444444444444444444444444444444444424444444444...4444444444  Quote rule 0
Type codes (jump 09)    : 444444444442222424444444424444444444244444444444444444444444444444444444444444424444444444...4444444444  Quote rule 0
Type codes (jump 10)    : 444444444442222424444444424444444444244444444444444444444444444444444444444444424444444444...4444444444  Quote rule 0
=====
 Sampled 305 rows (handled \n inside quoted fields) at 11 jump points including middle and very end
 Bytes from first data row on line 2 to the end of last row: 47000004016
 Line length: mean=45578.20 sd=33428.37 min=12815 max=108497
 Estimated nrow: 47000004016 / 45578.20 = 1031195
 Initial alloc = 2062390 rows (1031195 + 100%) using bytes/max(mean-2*sd,min) clamped between [1.1*estn, 2.0*estn]
=====
Type codes (colClasses) : 444444444442222424444444424444444444244444444444444444444444444444444444444444424444444444...4444444444
Type codes (drop|select): 444444444442222424444444424444444444244444444444444444444444444444444444444444424444444444...4444444444
Allocating 12785 column slots (12785 - 0 dropped)
Reading 44928 chunks of 0.998MB (22 rows) using 144 threads
Read 872505 rows x 12785 columns from 43.772GB file in 05:26.908 wall clock time (can be slowed down by any other open apps even if seemingly idle)
Final type counts
         0 : drop     
         0 : logical  
         0 : integer  
         0 : integer64
     12785 : numeric  
         0 : character
Rereading 508 columns due to out-of-sample type exceptions.
Column 171 ("D_19810618") bumped from 'integer' to 'numeric' due to <<2.23000001907349>> somewhere between row 6041 and row 24473
Column 347 ("D_19811211") bumped from 'integer' to 'numeric' due to <<1.02999997138977>> somewhere between row 6041 and row 24473
Column 348 ("D_19811212") bumped from 'integer' to 'numeric' due to <<3.75>> somewhere between row 6041 and row 24473
Column 643 ("D_19821003") bumped from 'integer' to 'numeric' due to <<1.04999995231628>> somewhere between row 6041 and row 24473
Column 1066 ("D_19831130") bumped from 'integer' to 'numeric' due to <<1.46000003814697>> somewhere between row 6041 and row 24473
Column 1102 ("D_19840105") bumped from 'integer' to 'numeric' due to <<0.959999978542328>> somewhere between row 6041 and row 24473
Column 1124 ("D_19840127") bumped from 'integer' to 'numeric' due to <<0.620000004768372>> somewhere between row 6041 and row 24473
Column 1130 ("D_19840202") bumped from 'integer' to 'numeric' due to <<0.540000021457672>> somewhere between row 6041 and row 24473
Column 1489 ("D_19850126") bumped from 'integer' to 'numeric' due to <<0.949999988079071>> somewhere between row 6041 and row 24473
Column 1508 ("D_19850214") bumped from 'integer' to 'numeric' due to <<0.360000014305115>> somewhere between row 6041 and row 24473

... 
...

Reread 872505 rows x 508 columns in 05:29.167
Read 872505 rows. Exactly what was estimated and allocated up front
Thread buffers were grown 0 times (if all 144 threads each grew once, this figure would be 144)
=============================
   0.000s (  0%) Memory map
   0.093s (  0%) sep, ncol and header detection
   0.186s (  0%) Column type detection using 305 sample rows from 44928 jump points
   0.600s (  0%) Allocation of 872505 rows x 12785 cols (192.552GB) plus 1.721GB of temporary buffers
 326.029s ( 50%) Reading data
 329.167s ( 50%) Rereading 508 columns due to out-of-sample type exceptions
 656.075s        Total

इस अंतिम सारांश को समाप्त करने में बहुत समय लगा (~6 मिनट)। अगर हम इस वर्बोज़ सारांश को गिनें तो पूरे फ़्रेड को ~ 11 मिनट लग गए। यह उन 508 ​​कॉलमों को फिर से पढ़ रहा है, मैं वर्बोज़ = TRUE का उपयोग किए बिना "आउट-ऑफ-सैंपल टाइप अपवादों के कारण 508 कॉलम को फिर से पढ़ना" संदेश भी देख सकता हूं।

इसे "verbose=TRUE" के बिना देखें

ptm<-proc.time() 
DT<-fread('dt.daily.4km.ver032917.csv')

Read 872505 rows x 12785 columns from 43.772GB file in 05:26.647 wall clock time (can be slowed down by any other open apps even if seemingly idle)
Rereading 508 columns due to out-of-sample type exceptions.

Reread 872505 rows x 508 columns in 05:30.276
proc.time() - ptm 
    user   system  elapsed 
2113.100   85.919  657.870

एफराइट टेस्ट
यह ठीक काम कर रहा है। वास्तव में तेज। मैंने सोचा था कि लिखना इन दिनों पढ़ने से धीमा था।

fwrite(DT,'dt.daily.4km.ver032917.csv', verbose=TRUE)
No list columns are present. Setting sep2='' otherwise quote='auto' would quote fields containing sep2.
maxLineLen=151187 from sample. Found in 1.890s
Writing column names ... done in 0.000s
Writing 872505 rows in 32315 batches of 27 rows (each buffer size 8MB, showProgress=1, nth=144) ... 
done (actual nth=144, anyBufferGrown=no, maxBuffUsed=46%) 

"रीड" में काफी समय लग रहा है। यह फ़ाइल को दो बार पढ़ने जैसा है।

उत्कृष्ट! सारी जानकारी के लिए शुक्रिया।

1. हाँ आप सही हैं इसे दोबारा नहीं पढ़ना चाहिए। आपने colClasses=list("numeric"=1:12785) कर लिया है, इसलिए Type code (colClasses) शुरू होने वाली आउटपुट लाइन सभी मान 4 होनी चाहिए। लापता परीक्षण को ठीक करेगा और जोड़ देगा।
2. 5.5मी बनाम 1.3मी पर, यह दिलचस्प है। प्रत्येक थ्रेड का बफर वर्तमान में 1MB है। कैश में फ़िट होने के लिए छोटा होने का विचार। लेकिन आपके मामले में 1MB/12785 cols = 82 बाइट्स। तो यह उस विकल्प के साथ 50x भी कैश अक्षम है। मुझे लगता है, वैसे भी। मैंने आपके परीक्षण के बिना इसके बारे में कभी नहीं सोचा होगा। जब यह 1.3 मीटर की गति से काम कर रहा था तो उसमें 1 एमबी आकार नहीं था।
3. इसने केवल 305 लाइनों का नमूना क्यों लिया है यह भी बहुत अजीब है। इसे 1,000 का नमूना लेना चाहिए था। अगर यह ठीक हो गया है तो शायद यह आपके बिना 508 कॉलम का पता लगाएगा। नमूने में कोई समय नहीं लग रहा है (0.186s) इसलिए नमूना आकार बढ़ाया जा सकता है।

क्या आप कृपया lscpu यूनिक्स कमांड का आउटपुट पेस्ट कर सकते हैं। यह हमें आपके कैश आकार के बारे में बताएगा और मैं वहां से सोच सकता हूं। मैं buffMB को fread पैरामीटर के रूप में प्रदान करूंगा ताकि आप देख सकें कि यह वह है या नहीं। मैं एक बेहतर गणना के साथ आ सकता हूं यदि यह है।

मेरी पिछली पोस्ट के एक बिंदु में मेरी गलती। colClasses=list("numeric"=1:12785) ठीक काम कर रहा है। अगर मैं "colClasses" निर्दिष्ट नहीं करता हूं तो यह "रीरीडिंग" करता है। भ्रम के बारे में खेद है।
एक बात जो मैंने देखी वह यह है कि यदि मैं "colClasses" निर्दिष्ट नहीं करता हूं तो तालिका NA के साथ बनाई जाती है और RAM दिखाता है जैसे कि DT सामान्य लोड किया गया था (~ 106MB RAM में)।

यहाँ एलएससीपीयू आउटपुट है:

Architecture:          x86_64                                               
CPU op-mode(s):        32-bit, 64-bit                                       
Byte Order:            Little Endian                                        
CPU(s):                144                                                  
On-line CPU(s) list:   0-143                                                      
Thread(s) per core:    2                                                          
Core(s) per socket:    18                                                         
Socket(s):             4                                                          
NUMA node(s):          4                                                             
Vendor ID:             GenuineIntel                                                  
CPU family:            6                                                             
Model:                 63                                                             
Model name:            Intel(R) Xeon(R) CPU E7-8870 v3 @ 2.10GHz                      
Stepping:              4                                                              
CPU MHz:               2898.328                                                          
BogoMIPS:              4195.66                                                           
Virtualization:        VT-x                                                              
L1d cache:             32K                                                                  
L1i cache:             32K                                                                  
L2 cache:              256K                                                                       
L3 cache:              46080K                                                                     
NUMA node0 CPU(s):     0,4,8,12,16,20,24,28,32,36,40,44,48,52,56,60,64,68,72,76,80,84,88,92,96,100,104,108,112,116,120,124,128,132,136,140                                                                                    
NUMA node1 CPU(s):     1,5,9,13,17,21,25,29,33,37,41,45,49,53,57,61,65,69,73,77,81,85,89,93,97,101,105,109,113,117,121,125,129,133,137,141                                                                                                        
NUMA node2 CPU(s):     2,6,10,14,18,22,26,30,34,38,42,46,50,54,58,62,66,70,74,78,82,86,90,94,98,102,106,110,114,118,122,126,130,134,138,142                                                                                                             
NUMA node3 CPU(s):     3,7,11,15,19,23,27,31,35,39,43,47,51,55,59,63,67,71,75,79,83,87,91,95,99,103,107,111,115,119,123,127,131,135,139,143   

ठीक मिल गया। धन्यवाद।

अपनी पहली टिप्पणियों को दोबारा पढ़ना, क्या यह अधिक समझ में आता है यदि यह "पूर्णांक से संख्यात्मक तक टक्कर" के बजाय "पूर्णांक से डबल तक पहुंच रहा है"?

'NA's के साथ निर्मित' से आपका क्या तात्पर्य है? सभी तालिका NAs से भरी है, केवल 508 कॉलम?

क्या है 'डीटी सामान्य लोड किया गया था (~ 106 एमबी रैम में)'। यह 44GB की फाइल है तो 106MB सामान्य कैसे हो सकता है?

• खैर, इस फ़ाइल में मेरे पास केवल वास्तविक संख्याएँ और NA हैं। मेरे पास इसमें पूर्णांक मान नहीं हैं। आप उस संदेश को कब फेंकते हैं, "डेटाटाइप ए से डेटाटाइप बी तक टकराते हुए"?

• ठीक यही मेरा मतलब है। data.table के वर्तमान संस्करण में जो मैंने स्थापित किया है, अगर मैं colClasses को छोड़ देता हूं तो यह डीटी लोड करता है लेकिन एनए से भरा होता है। DT[!is.na(D_19821001),] 0 रिकॉर्ड उत्पन्न करता है और यदि मैं colClasses के साथ तालिका लोड करता हूं और वही फ़िल्टरिंग करता हूं तो यह वास्तव में रिकॉर्ड दिखाता है।

• ठीक है, यह फ़ाइल डिस्क में सीएसवी के रूप में 47 जीबी है, लेकिन एक बार जब आप इसे आर में लोड करते हैं, तो यह रैम में दोगुने से अधिक लेता है ... मूल्यों की शुद्धता से संबंधित नहीं है, एक बार वास्तविक के लिए स्मृति का आवंटन लोड हो जाता है संख्याएँ उस वृद्धि का कारण बनती हैं?

हो सकता है कि एक और टाइपो: 106MB 106GB होना चाहिए था।
मैं एनए पहलू का पालन नहीं कर रहा हूं। लेकिन रास्ते में कुछ सुधार और फिर नए सिरे से प्रयास करें ...

ठीक है - कृपया पुन: प्रयास करें। अनुमान लगाने का नमूना बढ़कर 10,000 हो गया है (यह देखना दिलचस्प होगा कि इसमें कितना समय लगता है) और बफर आकार अब न्यूनतम लगाया गया है।
ड्रैट पैकेज फ़ाइल के प्रचार के लिए आपको कम से कम 30 मिनट प्रतीक्षा करनी पड़ सकती है।

क्षमा करें, यह "एमबी" के बजाय "जीबी" था। मेरे पास पर्याप्त कॉफी नहीं थी।
मैं अपडेट प्राप्त करूंगा और इसका परीक्षण करूंगा।

नवीनतम डेटा के साथ परीक्षण। तालिका देव।: डेटा। तालिका 1.10.5 विकास में निर्मित 2017-03-30 16:31:45 यूटीसी :

सारांश:
यह तेजी से काम कर रहा है (सीएसवी पढ़ने के लिए 1.43 मिनट) और मेमोरी आवंटन भी ठीक काम कर रहा है, मुझे लगता है, रैम आवंटन पहले की तरह नहीं बढ़ता है। डिस्क पर एक 44 जीबी सीएसवी एक बार लोड होने पर ~ 112 (+ 37 जीबी अस्थायी बफर) जीबी में अनुवाद करता है। क्या यह फ़ाइल में मानों के डेटा प्रकार से संबंधित है?

टेस्ट 1 :

colClasses=list("numeric"=1:12785) का उपयोग किए बिना

DT<-fread('dt.daily.4km.csv', verbose=TRUE)

Parameter na.strings == <<NA>>
None of the 1 na.strings are numeric (such as '-9999').
Input contains no \n. Taking this to be a filename to open
File opened, filesize is 43.772296 GB.
Memory mapping ... ok
Detected eol as \n only (no \r afterwards), the UNIX and Mac standard.
Positioned on line 1 starting: <<x,y,D_19810101,D_19810102,D_19810103,D_19810104,D_19810105,D_19810106,D_19810107,
D_19810108,D_19810109,D_19810110,D_19810111,D_19810112,
...
All the fields on line 1 are character fields. Treating as the column names.
Number of sampling jump points  = 101 because 47000004016 bytes from row 1 to eof / (2 * 1281788 jump0size) == 18333
Type codes (jump 000)    : 441111111111111111111111111111111111111111111111111111111111111111111111111111111111111111...1111111111  Quote rule 0
Type codes (jump 001)    : 444222422222222224442444444444442222444444444444444444442444444444444222224444444444444444...4444444442  Quote rule 0
Type codes (jump 002)    : 444222444444222244442444444444444422444444444444444444442444444444444222224444444444444444...4444444442  Quote rule 0
...
Type codes (jump 034)    : 444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444...4444444444  Quote rule 0
Type codes (jump 100)    : 444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444...4444444444  Quote rule 0
=====
 Sampled 10049 rows (handled \n inside quoted fields) at 101 jump points including middle and very end
 Bytes from first data row on line 2 to the end of last row: 47000004016
 Line length: mean=79727.22 sd=32260.00 min=12804 max=153029
 Estimated nrow: 47000004016 / 79727.22 = 589511
 Initial alloc = 1179022 rows (589511 + 100%) using bytes/max(mean-2*sd,min) clamped between [1.1*estn, 2.0*estn]
=====
Type codes (colClasses)  : 444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444...4444444444
Type codes (drop|select) : 444444444444444444444444444444444444444444444444444444444444444444444444444444444444444444...4444444444
Allocating 12785 column slots (12785 - 0 dropped)
Reading 432 chunks of 103.756MB (1364 rows) using 144 threads
Read 872505 rows x 12785 columns from 43.772GB file in 02:17.726 wall clock time (can be slowed down by any other open apps even if seemingly idle)
Final type counts
         0 : drop     
         0 : logical  
         0 : integer  
         0 : integer64
     12785 : double   
         0 : character
Thread buffers were grown 67 times (if all 144 threads each grew once, this figure would be 144)
=============================
   0.000s (  0%) Memory map
   0.099s (  0%) sep, ncol and header detection
  11.057s (  8%) Column type detection using 10049 sample rows
   0.899s (  1%) Allocation of 872505 rows x 12785 cols (112.309GB) plus 37.433GB of temporary buffers
 125.671s ( 91%) Reading data
   0.000s (  0%) Rereading 0 columns due to out-of-sample type exceptions
 137.726s        Total

टेस्ट 2 :

अब colClasses=list("numeric"=1:12785) का उपयोग कर रहे हैं
कुछ सेकंड के लिए समय में सुधार किया गया...

DT<-fread('dt.daily.4km.csv', colClasses=list("numeric"=1:12785), verbose=TRUE)

Allocating 12785 column slots (12785 - 0 dropped)
Reading 432 chunks of 103.756MB (1364 rows) using 144 threads
Read 872505 rows x 12785 columns from 43.772GB file in 01:43.028 wall clock time (can be slowed down by any other open apps even if seemingly idle)
Final type counts
         0 : drop     
         0 : logical  
         0 : integer  
         0 : integer64
     12785 : double   
         0 : character
Thread buffers were grown 67 times (if all 144 threads each grew once, this figure would be 144)
=============================
   0.000s (  0%) Memory map
   0.092s (  0%) sep, ncol and header detection
  11.009s ( 11%) Column type detection using 10049 sample rows
   0.332s (  0%) Allocation of 872505 rows x 12785 cols (112.309GB) plus 37.433GB of temporary buffers
  91.595s ( 89%) Reading data
   0.000s (  0%) Rereading 0 columns due to out-of-sample type exceptions
 103.028s        Total

ठीक है बढ़िया - हम वहाँ पहुँच रहे हैं। सही नमूना आकार प्लस इसे 100 बिंदुओं (10,000 नमूना लाइनों) पर 100 लाइनों तक बढ़ाना तब के प्रकारों का सही अनुमान लगाने के लिए पर्याप्त था - बढ़िया। चूंकि 12,875 कॉलम हैं और 44जीबी फ़ाइल में लाइन की लंबाई औसत 80,000 वर्णों की है, इसलिए इसे नमूना लेने में 11 का समय लगा। लेकिन वह समय इसके लायक था क्योंकि यह फिर से पढ़ने से बचता था जिसमें अतिरिक्त 90 का समय लगता था। हम तब उस पर टिके रहेंगे।

मैं सोच रहा हूं कि दूसरी बार तेज है क्योंकि यह दूसरी बार था और आपके ऑपरेटिंग सिस्टम ने फ़ाइल को गर्म और कैश किया है। बॉक्स पर चलने वाली कोई भी चीज़ दीवार घड़ी के समय को प्रभावित करेगी। यह पहले टेस्ट के लगातार 3 समान रन चलाकर संबोधित किया गया है। फिर केवल एक चीज को बदलना और फिर से लगातार 3 समान रन चलाना। 44GB आकार में आपको बहुत अधिक प्राकृतिक भिन्नताएँ दिखाई देंगी। निष्कर्ष निकालने के लिए आमतौर पर 3 रन पर्याप्त होते हैं लेकिन यह एक काली कला हो सकती है।

हाँ 112GB मेमोरी बनाम 44GB डिस्क में आंशिक रूप से है क्योंकि डेटा मेमोरी में बड़ा है क्योंकि सभी कॉलम डबल टाइप हैं; आर में कोई इन-मेमोरी संपीड़न नहीं है और बहुत सारे एनए मान हैं जो इस सीएसवी में कोई स्थान नहीं लेते हैं (केवल ",," ) लेकिन स्मृति में 8 बाइट्स। हालाँकि, यह 83GB होना चाहिए न कि 112GB (872505 पंक्तियाँ x 12785 कॉल्स x 8 बाइट युगल / 1024 ^ 3 = 83GB)। वह 112GB वह है जो लाइन की लंबाई के माध्य और मानक विचलन के आधार पर आवंटित किया गया था। औसत लाइन की लंबाई के आधार पर, यह अनुमान लगाया गया था कि यह 589,511 पंक्तियाँ होंगी जो बहुत कम होंगी। लाइन की लंबाई का विचरण इतना अधिक था कि क्लैंप +100% पर प्रभावी हो गया। 58,9511 * 2 = 1,179,022 * 12785 * 8/1024^3 = 112GB। अंत में यह पाया गया कि फाइल में 872,505 हैं। लेकिन यह खाली जगह खाली नहीं कर रहा है। मैं इसे ठीक कर दूंगा। (TODO1)

जब आप सभी स्तंभों के लिए स्तंभ प्रकार निर्दिष्ट करते हैं, तब भी यह नमूना होता है, हालांकि। जब उपयोगकर्ता ने प्रत्येक कॉलम निर्दिष्ट किया है तो इसे नमूनाकरण छोड़ देना चाहिए। (TODO2)

चूंकि आपका सारा डेटा डबल है, इसलिए यह C लाइब्रेरी फंक्शन strtod() पर 11 बिलियन कॉल कर रहा है। सिद्धांत रूप में उस फ़ंक्शन की विशेषज्ञता के लिए लंबे समय से कामना इस फ़ाइल के लिए एक महत्वपूर्ण गति होनी चाहिए। (किया हुआ)

इसके लिए धन्यवाद, महान स्पष्टीकरण। मुझे बताएं कि क्या आप चाहते हैं कि मैं इस फ़ाइल के साथ कुछ और परीक्षण करूँ। मैं एक और डेटा सेट पर काम कर रहा हूं जो लंबे प्रारूप पर अधिक है, ~ 21 मिलियन पंक्तियों x 1432 कॉलम के साथ।

     NAME       NROW  NCOL      MB                                                                                                                                                     
[1,] DT   21,812,625 1,432 238,310  

इसमें एक अतिरिक्त डेटा पॉइंट जोड़ना। 89G .tsv , लोडिंग के दौरान अधिकतम मेमोरी उपयोग ~180G है। मुझे लगता है कि यह अपेक्षित है क्योंकि कई एनए और डबल हैं।

मैं भी इस पर परीक्षण करके खुश हूं।

Ubuntu 16.04 64bit / Linux 4.4.0-71-generic
R version 3.3.2 (2016-10-31)
data.table 1.10.5 IN DEVELOPMENT built 2017-04-04 14:27:46 UTC

Architecture:          x86_64
CPU op-mode(s):        32-bit, 64-bit
Byte Order:            Little Endian
CPU(s):                64
On-line CPU(s) list:   0-63
Thread(s) per core:    2
Core(s) per socket:    16
Socket(s):             2
NUMA node(s):          2
Vendor ID:             GenuineIntel
CPU family:            6
Model:                 79
Model name:            Intel(R) Xeon(R) CPU E5-2686 v4 @ 2.30GHz
Stepping:              1
CPU MHz:               2699.984
CPU max MHz:           3000.0000
CPU min MHz:           1200.0000
BogoMIPS:              4660.70
Hypervisor vendor:     Xen
Virtualization type:   full
L1d cache:             32K
L1i cache:             32K
L2 cache:              256K
L3 cache:              46080K
NUMA node0 CPU(s):     0-15,32-47
NUMA node1 CPU(s):     16-31,48-63
Flags:                 fpu vme de pse tsc msr pae mce cx8 apic sep mtrr pge mca cmov pat pse36 clflush mmx fxsr sse sse2 ht syscall nx pdpe1gb rdtscp lm constant_tsc rep_good nopl xtopology nonstop_tsc aperfmperf eagerfpu pni pclmulqdq monitor est ssse3 fma cx16 pcid sse4_1 sse4_2 x2apic movbe popcnt tsc_deadline_timer aes xsave avx f16c rdrand hypervisor lahf_lm abm fsgsbase bmi1 hle avx2 smep bmi2 erms invpcid rtm xsaveopt ida

Parameter na.strings == <<NA>>
None of the 1 na.strings are numeric (such as '-9999').
Input contains no \n. Taking this to be a filename to open
File opened, filesize is 88.603947 GB.
Memory mapping ... ok
Detected eol as \n only (no \r afterwards), the UNIX and Mac standard.
Positioned on line 1 starting: <<allele prediction_uuid sample_>>
Detecting sep ...
  sep=='\t'  with 101 lines of 76 fields using quote rule 0
Detected 76 columns on line 1. This line is either column names or first data row (first 30 chars): <<allele    prediction_uuid sample_>>
All the fields on line 1 are character fields. Treating as the column names.
Number of sampling jump points  = 101 because 95137762779 bytes from row 1 to eof / (2 * 24414 jump0size) == 1948426
Type codes (jump 000)    : 5555542444111145424441111444111111111111111111111111111111111111111111111111  Quote rule 0
Type codes (jump 009)    : 5555542444114445424441144444111111111111111111111111111111111111111111111111  Quote rule 0
Type codes (jump 042)    : 5555542444444445424444444444111111111111111111111111111111111111111111111111  Quote rule 0
Type codes (jump 048)    : 5555544444444445444444444444225225522555545111111111111111111111111111111111  Quote rule 0
Type codes (jump 083)    : 5555544444444445444444444444225225522555545254452454411154454452454411154455  Quote rule 0
Type codes (jump 085)    : 5555544444444445444444444444225225522555545254452454454454454452454454454455  Quote rule 0
Type codes (jump 100)    : 5555544444444445444444444444225225522555545254452454454454454452454454454455  Quote rule 0
=====
 Sampled 10028 rows (handled \n inside quoted fields) at 101 jump points including middle and very end
 Bytes from first data row on line 2 to the end of last row: 95137762779
 Line length: mean=465.06 sd=250.27 min=198 max=929
 Estimated nrow: 95137762779 / 465.06 = 204571280
 Initial alloc = 409142560 rows (204571280 + 100%) using bytes/max(mean-2*sd,min) clamped between [1.1*estn, 2.0*estn]
=====
Type codes (colClasses)  : 5555544444444445444444444444225225522555545254452454454454454452454454454455
Type codes (drop|select) : 5555544444444445444444444444225225522555545254452454454454454452454454454455
Allocating 76 column slots (76 - 0 dropped)
Reading 90752 chunks of 1.000MB (2254 rows) using 64 threads

यदि यह मदद करता है, तो यहां एक बहुत लंबे डेटाबेस पर परिणाम दिए गए हैं: 419,124,196 x 42 (~ 2 ^ 34) जिसमें एक हेडर पंक्ति और colClasses पास हुए हैं।

> library(data.table)
data.table 1.10.5 IN DEVELOPMENT built 2017-09-27 17:12:56 UTC; travis
  The fastest way to learn (by data.table authors): https://www.datacamp.com/courses/data-analysis-the-data-table-way
  Documentation: ?data.table, example(data.table) and browseVignettes("data.table")
  Release notes, videos and slides: http://r-datatable.com
> CC <- c(rep('integer', 2), rep('character', 3),
+      rep('numeric', 2), rep('integer', 3),
+      rep('character', 2), 'integer', 'character', 'integer',
+      rep('character', 4), rep('numeric', 11), 'character',
+      'numeric', 'character', rep('numeric', 2),
+      rep('integer', 3), rep('numeric', 2), 'integer',
+      'numeric')
> P <- fread('XXXX.csv', colClasses = CC, header = TRUE, verbose = TRUE)
Input contains no \n. Taking this to be a filename to open
[01] Check arguments
  Using 40 threads (omp_get_max_threads()=40, nth=40)
  NAstrings = [<<NA>>]
  None of the NAstrings look like numbers.
  show progress = 1
  0/1 column will be read as boolean
[02] Opening the file
  Opening file XXXXcsv
  File opened, size = 51.71GB (55521868868 bytes).
  Memory mapping ... ok
[03] Detect and skip BOM
[04] Arrange mmap to be \0 terminated
  \r-only line endings are not allowed because \n is found in the data
[05] Skipping initial rows if needed
  Positioned on line 1 starting: <<X,X,X,X>>
[06] Detect separator, quoting rule, and ncolumns
  Detecting sep ...
  sep=','  with 100 lines of 42 fields using quote rule 0
  Detected 42 columns on line 1. This line is either column names or first data row. Line starts as: <<X,X,X,X>>
  Quote rule picked = 0
  fill=false and the most number of columns found is 42
[07] Detect column types, good nrow estimate and whether first row is column names
  'header' changed by user from 'auto' to true
  Number of sampling jump points = 101 because (55521868866 bytes from row 1 to eof) / (2 * 13006 jump0size) == 2134471
  Type codes (jump 000)    : 5161010775551055105101111111111111110110771117717  Quote rule 0
  Type codes (jump 022)    : 5561010775551055105101111111111111110110771117717  Quote rule 0
  Type codes (jump 030)    : 5561010775551055105101010107517171151110110771117717  Quote rule 0
  Type codes (jump 037)    : 5561010775551055105101010107517771171110110771117717  Quote rule 0
  Type codes (jump 073)    : 5561010775551055105101010107517771177110110771117717  Quote rule 0
  Type codes (jump 093)    : 5561010775551055105101010107717771177110110771117717  Quote rule 0
  Type codes (jump 100)    : 5561010775551055105101010107717771177110110771117717  Quote rule 0
  =====
  Sampled 10049 rows (handled \n inside quoted fields) at 101 jump points
  Bytes from first data row on line 1 to the end of last row: 55521868866
  Line length: mean=132.68 sd=6.00 min=118 max=425
  Estimated number of rows: 55521868866 / 132.68 = 418453923
  Initial alloc = 460299315 rows (418453923 + 9%) using bytes/max(mean-2*sd,min) clamped between [1.1*estn, 2.0*estn]
  =====
[08] Assign column names
[09] Apply user overrides on column types
  After 11 type and 0 drop user overrides : 551010107755510105105101010107777777777710710775557757
[10] Allocate memory for the datatable
  Allocating 42 column slots (42 - 0 dropped) with 460299315 rows
[11] Read the data
  jumps=[0..52960), chunk_size=1048373, total_size=55521868441
Read 98%. ETA 00:00 
[12] Finalizing the datatable
Read 419124195 rows x 42 columns from 51.71GB (55521868868 bytes) file in 13:42.935 wall clock time
Thread buffers were grown 0 times (if all 40 threads each grew once, this figure would be 40)
Final type counts
         0 : drop     
         0 : bool8    
         0 : bool8    
         0 : bool8    
         0 : bool8    
        11 : int32    
         0 : int64    
        19 : float64  
         0 : float64  
         0 : float64  
        12 : string   
=============================
   0.000s (  0%) Memory map 51.709GB file
   0.016s (  0%) sep=',' ncol=42 and header detection
   0.016s (  0%) Column type detection using 10049 sample rows
 188.153s ( 23%) Allocation of 419124195 rows x 42 cols (125.177GB)
 634.751s ( 77%) Reading 52960 chunks of 1.000MB (7901 rows) using 40 threads
   =    0.121s (  0%) Finding first non-embedded \n after each jump
   +   17.036s (  2%) Parse to row-major thread buffers
   +  616.184s ( 75%) Transpose
   +    1.410s (  0%) Waiting
   0.000s (  0%) Rereading 0 columns due to out-of-sample type exceptions
 822.935s        Total
> memory.size()
[1] 134270.3
> rm(P)
> gc()
             used    (Mb)  gc trigger     (Mb)    max used     (Mb)
Ncells     585532    31.3     5489235    293.2     6461124    345.1
Vcells 1508139082 11506.2 20046000758 152938.9 25028331901 190951.1
> memory.size()
[1] 87.56
> P <- fread('XXXX.csv', colClasses = CC, header = TRUE, verbose = TRUE)
Input contains no \n. Taking this to be a filename to open
[01] Check arguments
  Using 40 threads (omp_get_max_threads()=40, nth=40)
  NAstrings = [<<NA>>]
  None of the NAstrings look like numbers.
  show progress = 1
  0/1 column will be read as boolean
[02] Opening the file
  Opening file XXXX.csv
  File opened, size = 51.71GB (55521868868 bytes).
  Memory mapping ... ok
[03] Detect and skip BOM
[04] Arrange mmap to be \0 terminated
  \r-only line endings are not allowed because \n is found in the data
[05] Skipping initial rows if needed
  Positioned on line 1 starting: <<X,X,X,X>>
[06] Detect separator, quoting rule, and ncolumns
  Detecting sep ...
  sep=','  with 100 lines of 42 fields using quote rule 0
  Detected 42 columns on line 1. This line is either column names or first data row. Line starts as: <<X,X,X,X>>
  Quote rule picked = 0
  fill=false and the most number of columns found is 42
[07] Detect column types, good nrow estimate and whether first row is column names
  'header' changed by user from 'auto' to true
  Number of sampling jump points = 101 because (55521868866 bytes from row 1 to eof) / (2 * 13006 jump0size) == 2134471
  Type codes (jump 000)    : 5161010775551055105101111111111111110110771117717  Quote rule 0
  Type codes (jump 022)    : 5561010775551055105101111111111111110110771117717  Quote rule 0
  Type codes (jump 030)    : 5561010775551055105101010107517171151110110771117717  Quote rule 0
  Type codes (jump 037)    : 5561010775551055105101010107517771171110110771117717  Quote rule 0
  Type codes (jump 073)    : 5561010775551055105101010107517771177110110771117717  Quote rule 0
  Type codes (jump 093)    : 5561010775551055105101010107717771177110110771117717  Quote rule 0
  Type codes (jump 100)    : 5561010775551055105101010107717771177110110771117717  Quote rule 0
  =====
  Sampled 10049 rows (handled \n inside quoted fields) at 101 jump points
  Bytes from first data row on line 1 to the end of last row: 55521868866
  Line length: mean=132.68 sd=6.00 min=118 max=425
  Estimated number of rows: 55521868866 / 132.68 = 418453923
  Initial alloc = 460299315 rows (418453923 + 9%) using bytes/max(mean-2*sd,min) clamped between [1.1*estn, 2.0*estn]
  =====
[08] Assign column names
[09] Apply user overrides on column types
  After 11 type and 0 drop user overrides : 551010107755510105105101010107777777777710710775557757
[10] Allocate memory for the datatable
  Allocating 42 column slots (42 - 0 dropped) with 460299315 rows
[11] Read the data
  jumps=[0..52960), chunk_size=1048373, total_size=55521868441
Read 98%. ETA 00:00 
[12] Finalizing the datatable
Read 419124195 rows x 42 columns from 51.71GB (55521868868 bytes) file in 05:04.910 wall clock time
Thread buffers were grown 0 times (if all 40 threads each grew once, this figure would be 40)
Final type counts
         0 : drop     
         0 : bool8    
         0 : bool8    
         0 : bool8    
         0 : bool8    
        11 : int32    
         0 : int64    
        19 : float64  
         0 : float64  
         0 : float64  
        12 : string   
=============================
   0.000s (  0%) Memory map 51.709GB file
   0.031s (  0%) sep=',' ncol=42 and header detection
   0.000s (  0%) Column type detection using 10049 sample rows
  28.437s (  9%) Allocation of 419124195 rows x 42 cols (125.177GB)
 276.442s ( 91%) Reading 52960 chunks of 1.000MB (7901 rows) using 40 threads
   =    0.017s (  0%) Finding first non-embedded \n after each jump
   +   12.941s (  4%) Parse to row-major thread buffers
   +  262.989s ( 86%) Transpose
   +    0.495s (  0%) Waiting
   0.000s (  0%) Rereading 0 columns due to out-of-sample type exceptions
 304.910s        Total
> memory.size()
[1] 157049.7

> sessionInfo()
R version 3.4.2 beta (2017-09-17 r73296)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows Server >= 2012 x64 (build 9200)

Matrix products: default

locale:
[1] LC_COLLATE=English_United States.1252  LC_CTYPE=English_United States.1252   
[3] LC_MONETARY=English_United States.1252 LC_NUMERIC=C                          
[5] LC_TIME=English_United States.1252    

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] data.table_1.10.5

loaded via a namespace (and not attached):
[1] compiler_3.4.2 tools_3.4.2   

एक दो नोट। मैंने [07] से पहले [07] डालने का सुझाव दिया होगा कि अगर colClasses पास हो जाते हैं तो जांच करने का कोई कारण नहीं है। साथ ही, विंडोज़ ने प्रत्येक रन के बाद लगभग 160GB उपयोग में दिखाया। memory.size() शायद कुछ सफाई करता है। इस सर्वर पर 532GB रैम के साथ, मेमोरी कैशिंग का दूसरे रन पर गति में वृद्धि के साथ क्या करना हो सकता है। उम्मीद है की वो मदद करदे।

विस्तृत "वास्तविक-विश्व" तालिका (अस्पताल डेटा) पर परीक्षण करें: 30M पंक्तियाँ × 125 कॉलम v रीडर '1.2.0' और read.csv 3.4.3।

समस्या की पुष्टि करने का कोई मौका अभी भी 1.11.4 पर मान्य है? या उदाहरण डेटा उत्पन्न करने के लिए कोड।

जहां तक ​​​​मुझे पता है यह सब हल हो गया है। @geponce कृपया अपडेट करें यदि नहीं।
TODO1 ऊपर अब #3024 . के रूप में दर्ज किया गया
TODO2 ऊपर अब #3025 . के रूप में दायर किया गया है