Modo efficiente per inserire frame di dati da R a SQL

TL;DR: LOAD DATA INFILE è un ordine di grandezza più veloce di più INSERT istruzioni, che sono esse stesse un ordine di grandezza più veloci di un singolo INSERT dichiarazioni.

Sottopongo a benchmark le tre strategie principali per importare i dati da R in Mysql:

1. singolo insert dichiarazioni , come nella domanda:

   INSERT INTO test (col1,col2,col3) VALUES (1,2,3)

2. più insert dichiarazioni , così formattato:

   INSERT INTO test (col1,col2,col3) VALUES (1,2,3),(4,5,6),(7,8,9)

3. load data infile dichiarazione , ovvero caricare un file CSV scritto in precedenza in mysql :

   LOAD DATA INFILE 'the_dump.csv' INTO TABLE test

Uso RMySQL qui, ma qualsiasi altro driver MySQL dovrebbe portare a risultati simili. La tabella SQL è stata istanziata con:

CREATE TABLE `test` (
  `col1` double, `col2` double, `col3` double, `col4` double, `col5` double
) ENGINE=MyISAM;

I dati di connessione e test sono stati creati in R con:

library(RMySQL)
con = dbConnect(MySQL(),
                user = 'the_user',
                password = 'the_password',
                host = '127.0.0.1',
                dbname='test')

n_rows = 1000000 # number of tuples
n_cols = 5 # number of fields
dump = matrix(runif(n_rows*n_cols), ncol=n_cols, nrow=n_rows)
colnames(dump) = paste0('col',1:n_cols)

Benchmarking singolo insert dichiarazioni:

before = Sys.time()
for (i in 1:nrow(dump)) {
  query = paste0('INSERT INTO test (',paste0(colnames(dump),collapse = ','),') VALUES (',paste0(dump[i,],collapse = ','),');')
  dbExecute(con, query)
}
time_naive = Sys.time() - before 

=> ci vogliono circa 4 minuti sul mio computer

Benchmarking di più insert dichiarazioni:

before = Sys.time()
chunksize = 10000 # arbitrary chunk size
for (i in 1:ceiling(nrow(dump)/chunksize)) {
  query = paste0('INSERT INTO test (',paste0(colnames(dump),collapse = ','),') VALUES ')
  vals = NULL
  for (j in 1:chunksize) {
    k = (i-1)*chunksize+j
    if (k <= nrow(dump)) {
      vals[j] = paste0('(', paste0(dump[k,],collapse = ','), ')')
    }
  }
  query = paste0(query, paste0(vals,collapse=','))
  dbExecute(con, query)
}
time_chunked = Sys.time() - before 

=> questo richiede circa 40 secondi sul mio computer

Benchmarking load data infile dichiarazione :

before = Sys.time()
write.table(dump, 'the_dump.csv',
          row.names = F, col.names=F, sep='\t')
query = "LOAD DATA INFILE 'the_dump.csv' INTO TABLE test"
dbSendStatement(con, query)
time_infile = Sys.time() - before 

=> ci vogliono circa 4 secondi sul mio computer

Creare la tua query SQL per gestire molti valori di inserimento è il modo più semplice per migliorare le prestazioni. Transizione a LOAD DATA INFILE porterà a risultati ottimali. Suggerimenti per buone prestazioni sono disponibili in questa pagina della documentazione di mysql .