将数据帧从 R 插入到 SQL 的有效方法

Question

我有一个包含 1000 万行和 5 列的数据框，我想将其插入现有的 sql table。请注意，我没有创建 table 的权限，我只能将值插入现有的 table。我目前正在使用 RODBCext

query_ch <- "insert into [blah].[dbo].[blahblah] 
               (col1, col2, col3, col4, col5)
               values (?,?,?,?,?)"

sqlExecute(channel, query_ch, my_data)

这花费的时间太长了（超过 10 小时）。有没有办法更快地完成此操作？

Answer 1

TL;DR: LOAD DATA INFILE 比多个 INSERT 语句快一个数量级，后者本身比单个 INSERT 语句。

我在将数据从 R 导入 Mysql 的三个主要策略下进行了基准测试：

单个insert语句，如问题：

INSERT INTO test (col1,col2,col3) VALUES (1,2,3)
多个insert语句，格式如下：

INSERT INTO test (col1,col2,col3) VALUES (1,2,3),(4,5,6),(7,8,9)
load data infile statement,即加载一个之前写好的CSV文件在mysql:

LOAD DATA INFILE 'the_dump.csv' INTO TABLE test

我在这里使用 RMySQL，但任何其他 mysql 驱动程序应该会导致类似的结果。 SQL table 实例化为：

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

连接和测试数据是在 R 中创建的：

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)

基准测试单个 insert 语句：

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

=> 在我的电脑上这大约需要 4 分钟

对多个 insert 语句进行基准测试：

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

=> 在我的计算机上这大约需要 40 秒

基准测试load data infile声明:

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

=> 在我的电脑上这大约需要 4 秒

设计您的 SQL 查询来处理许多插入值是提高性能的最简单方法。过渡到 LOAD DATA INFILE 将导致最佳结果。可以在 this page of mysql documentation.

中找到良好的性能提示

将数据帧从 R 插入到 SQL 的有效方法

Efficient way to insert data frame from R to SQL

mysql

r

rodbc