Walmes,
Muito legal a dica de usar o shell para isso. O shell e' sempre mais
rapido que qualquer coisa!
Sobre ler dados do ENEM, usando fread() do pacote 'data.table' demorou
210 segundos no meu laptop para dados 2012 do ENEM. Eu nao gostei muito
do INEP ter disponibilizado o formato .csv. Anteriormente, dados de 2010
por exemplo, usava-se o formato fixed width. Usando uma funcao (descrita
em http://www.leg.ufpr.br/doku.php/disciplinas:ce223101:historico2010)
demorou 238 segundos para ler os dados de 2010 (4.6 milhoes de linhas) e
selecionar prova de matematica dos alunos do Parana.
Essa funcao que usei para ler (e SELECIONAR linhas, colunas) fixed width
usa a mesma ideia que voce fez usando read.table(). A diferenca e' que
eu abro uma coneccao apenas e uso readLines(). O que voce fez com
read.table() e' ineficiente porque ao ler cada bloco e' feita uma nova
coneccao com o arquivo (via funcao scan()) e ao ler o i-e'simo bloco a
funcao scan() precisa percorrer todos os dados dos blocos anteriores
antes de comecar a ler. Assim, para ler os ultimos blocos demora-se um
tempo enorme percorrendo...
Abs,
Elias.
On 25/10/14 00:22, walmes . wrote:
Saudações,
Essa mensagem é apenas para compartilhar uma experiência que tive e
considero que o problema aqui discutido não seja tão particular.
Fui procurado por alguém que precisava processar um arquivo com
resultados da prova do ENEM 2012 para aplicar teoria de resposta ao
item. Precisava-se processar o arquivo original para chegar em um que
tivesse apenas 5 das 80 colunas (notas para as competências sobre a
redação) e somente às linhas que tivessem o conteúdo "P" (de presente)
para a coluna "IN_STATUS_REDACAO". O arquivo é um csv, delimitador
vírgula, aspas nas strings, 5791066 de linhas, 3.8 GB. Fiz o que me
veio na cabeça de primeira: "dividir para conquistar". Lia porções de
30 mil linhas do arquivo (usando na read.table() o skip= e nrow=),
separava as 5 colunas, mantinha só as linhas com registro P e escrevia
para um arquivo com write.table(..., append=TRUE). Isso dentro de um
for(). Na minha implementação, um tanto ingenua e corrida porque fiz
enquanto era assistido a programar, quanto apliquei ao arquivo alvo
levou 3h40. Esperava que fosse demorar mas não tanto. Minha máquina
tem 16 GB de RAM. Sabendo que o bash do linux é muito eficiente para
tarefas como operações em arquivos texto, eu fui buscar na internet
como fazer o mesmo. Resultado é que tudo se resolveu com 37
segundos!!! É por isso que achei interessante compartilhar com a
lista, inclusive para saber se alguem tem meios alternativos para
solucionar o problema. Seguem os comandos que apliquei no terminal do
Linux. Os dados fornecidos no exemplo são apenas as 10 mil primeiras
linhas do arquivo original.
##-----------------------------------------------------------------------------
## 0. Aquisição dos dados. Apenas 10000 registros dos 5791066 do arquivo
## original.
wget
http://www.leg.ufpr.br/~walmes/data/DADOS_ENEM_2012_10millinhas.csv
<http://www.leg.ufpr.br/%7Ewalmes/data/DADOS_ENEM_2012_10millinhas.csv> -O
DADOS_ENEM_2012.csv
ls
wc -l DADOS_ENEM_2012.csv
##-----------------------------------------------------------------------------
## 1. Filtrar só às colunas de interesse. Da 74 à 79. Na 74 tem-se os
## valores P, F e outros.
cut -d , -f 74-79 DADOS_ENEM_2012.csv > file.csv
head -10 file.csv
wc -l file.csv
##-----------------------------------------------------------------------------
## 2. Manter só as linhas com ocorrência do P.
grep "P" file.csv > fileP.csv
wc -l fileP.csv
head -10 fileP.csv
##-----------------------------------------------------------------------------
## 3. Remover à colunas com P, ou seja, manter da 2 à 6.
cut -d , -f 2-6 fileP.csv > file.csv
head -10 file.csv
wc -l file.csv
##-----------------------------------------------------------------------------
## 4. Remover as aspas para salvar espaço em disco.
sed 's/\"//g' file.csv > fileP.csv
head -10 fileP.csv
##-----------------------------------------------------------------------------
## 5. Como contar o número de linhas repetidas. Gerar tabela de
frequência dos
## padrões de resposta. Economiza espaço e é a informação mínima
## necessária para ajustar TRI. Remover o cabeçalho.
sed 1d fileP.csv > file.csv
sort file.csv | uniq --count > fileP.csv
head -10 fileP.csv
tail -10 fileP.csv
##-----------------------------------------------------------------------------
## 6. Eliminar espaços no ínicio e colocar uma vírgula entre a
## frequência e o primeiro registro para que todos os campos sejam
## separados por `,`.
sed -e 's/^ *//;s/ /,/' fileP.csv > fileFreq.csv
head -10 fileFreq.csv
wc -l fileFreq.csv
##-----------------------------------------------------------------------------
À disposição.
Walmes.
==========================================================================
Walmes Marques Zeviani
LEG (Laboratório de Estatística e Geoinformação, 25.450418 S, 49.231759 W)
Departamento de Estatística - Universidade Federal do Paraná
fone: (+55) 41 3361 3573
skype: walmeszeviani
homepage: http://www.leg.ufpr.br/~walmes
<http://www.leg.ufpr.br/%7Ewalmes>
linux user number: 531218
==========================================================================
_______________________________________________
R-br mailing list
[email protected]
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código
mínimo reproduzível.
_______________________________________________
R-br mailing list
[email protected]
https://listas.inf.ufpr.br/cgi-bin/mailman/listinfo/r-br
Leia o guia de postagem (http://www.leg.ufpr.br/r-br-guia) e forneça código
mínimo reproduzível.
