mmap 和 csv 文件

Question

我正在尝试了解如何使用包mmap 访问大型 csv 文件。更准确地说，我想

1. 从带有mmap.csv() 的csv 文件创建mmap 对象；
2. 保存mmap.csv()创建的包含二进制格式数据的文件；
3. 能够使用函数mmap()“将二进制数据映射回R”。

实现 1. 和 2. 很容易：只需使用 mmap.cv() 并保存 tempfile() 包含二进制数据，或修改 mmap.cv() 以接受额外的参数 作为输出文件（并相应地修改tmpstruct <- tempfile() 行）。 我遇到的问题是3。特别是，我需要构建一个 来自 mmap 对象的二进制数据中记录的 C 结构。 这是一个简单的可重现示例：

# 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)

来自str() 的信息可用于构造C-struct record.struct 允许映射二进制文件cars.Rmap 通过函数 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

在这种情况下，我们需要两个 4 字节整数：

# 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)

对于“宽”的 csv 文件（即具有数十或数百列的文件），推断正确的 C 结构可能非常不切实际。这是我的问题： 如何直接构造record.struct 来自 mmap 对象m?

Answer 1

您所问的或多或少完整的示例 - 使用 mmap 和 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

正如前面的回答所提到的，m$storage.mode 是您需要的 mode。

您可以更进一步，使用您设计的一些命名约定将模式存储在文件中。您还可以使用 len 和 off 参数创建自定义二进制对象来映射。

Answer 2

我给出了另一个答案，因为第一个答案是针对主要问题（如何直接从 mmap 对象m 构造record.struct？），但是，我认为这也是可能的解决谓词：“推断正确的 C 结构对于“宽”csv 文件（即具有数十或数百列的文件）可能非常不切实际。我的动机是消除难以获得 CSV 文件类型信息的想法。 :)

假设数据是规则的（即每列原子，如果要进行内存映射，则必须如此），那么您可以简单地这样做：

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

因此，您只需读取少量信息，然后让 R 为您确定类别。您可能需要解决stringsAsFactors 问题，即通过read.csv(..., stringsAsFactors = FALSE)。

Answer 3

这应该可行：

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

这是我得到的：

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

（这是由于 cars 在我的 R 版本中存储为双精度值。当类型更改为整数时，结果与您的匹配 - 请参阅下面的更新 1。）

使用它来创建 struct 对象只需将这些类型替换为适当的 C 类型（例如将 int 更改为 integer），这可以通过列表查找来完成，然后您可以使用 paste 创建适当的参数列表。

---

这是m 对我的样子，使用与您给出的相同的命令：

> 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

---

更新 1：当我将 cars 显式转换为整数并确保对象是数据框（即 cars2 <- as.data.frame(apply(cars, 2, as.integer)); colnames(cars2) = colnames(cars)）时，一切正常，rapply 产生 "integer"，正如预期的那样。

更新 2：这是创建内部参数以传递给 struct() 的技巧：

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

这是一个近似值，因为我怀疑 lTypes 需要从 R 类型转换为 C 类型。