Manera eficiente de insertar marco de datos de R a SQL

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:

1. única insert declaraciones , como en la pregunta:

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

2. múltiples insert declaraciones , formateado así:

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

3. load data infile declaración , es decir, cargar un archivo CSV previamente escrito en mysql :

   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 .