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
-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.