TL;RD: LOAD DATA INFILE
es un orden de magnitud más rápido que múltiples INSERT
declaraciones, que en sí mismas son un orden de magnitud más rápidas que INSERT
simples declaraciones.
A continuación, analizo las tres estrategias principales para importar datos de R a Mysql:
-
única
insert
declaraciones , como en la pregunta:INSERT INTO test (col1,col2,col3) VALUES (1,2,3)
-
múltiples
insert
declaraciones , formateado así:INSERT INTO test (col1,col2,col3) VALUES (1,2,3),(4,5,6),(7,8,9)
-
load data infile
declaración , es decir, cargar un archivo CSV previamente escrito enmysql
:LOAD DATA INFILE 'the_dump.csv' INTO TABLE test
Yo uso RMySQL
aquí, pero cualquier otro controlador mysql debería conducir a resultados similares. La tabla SQL fue instanciada con:
CREATE TABLE `test` (
`col1` double, `col2` double, `col3` double, `col4` double, `col5` double
) ENGINE=MyISAM;
Los datos de conexión y prueba se crearon en 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)
Evaluación comparativa de insert
único declaraciones:
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
=> esto toma alrededor de 4 minutos en mi computadora
Evaluación comparativa de múltiples insert
declaraciones:
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
=> esto tarda unos 40 segundos en mi computadora
Evaluación comparativa load data infile
declaración :
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
=> esto toma alrededor de 4 segundos en mi computadora
Elaborar su consulta SQL para manejar muchos valores de inserción es la forma más sencilla de mejorar el rendimiento. Transición a LOAD DATA INFILE
conducirá a resultados óptimos. Se pueden encontrar buenos consejos de rendimiento en esta página de documentación de mysql .