R中的as.h2o（）将文件上载到h2o环境需要很长时间

我正在使用h2o进行一些建模，在调整了模型之后，我现在希望它能够用于进行大量预测，大约6万亿次预测/行，每个预测行需要80列数据

我已经将输入数据集分解为大约500 x 1200万个行块，每个行块包含80列相关数据

然而，将一个1200万乘80列的

数据表

上载到h2o需要相当长的时间，而对我来说，执行500次需要相当长的时间…我认为这是因为它在上载对象之前首先解析对象

相比之下，预测部分相对较快

有没有加快这一部分的建议？改变内核的数量会有帮助吗

下面是一个可复制的问题示例

  # Load libraries
  library(h2o)
  library(data.table)

  # start up h2o using all cores...
  localH2O = h2o.init(nthreads=-1,max_mem_size="16g")

  # create a test input dataset
  temp <- CJ(v1=seq(20),
             v2=seq(7),
             v3=seq(24),
             v4=seq(60),
             v5=seq(60))
  temp <- do.call(cbind,lapply(seq(16),function(y){temp}))
  colnames(temp) <- paste0('v',seq(80))

  # this is the part that takes a long time!!
  system.time(tmp.obj <- as.h2o(localH2O,temp,key='test_input'))

  #|======================================================================| 100%
  #   user  system elapsed 
  #357.355   6.751 391.048 

#加载库
图书馆（h2o）
库（数据表）
#使用所有堆芯启动h2o。。。
localH2O=h2o.init（nthreads=-1，max\u mem\u size=“16g”）
#创建测试输入数据集
由于您在本地运行H2O，因此希望将该数据保存为文件，然后使用：

h2o.importFile(localH2O, file_path, key='test_intput')

这将使每个线程并行地读取文件的各个部分。如果在单独的服务器上运行H2O，则需要将数据复制到服务器可以读取的位置（大多数人不会将服务器设置为从笔记本电脑上的文件系统读取）

as.h2o（）
将文件连续上载到h2o。使用
h2o.importFile（）
，h2o服务器会找到文件并并行读取

看起来您正在使用H2O的版本2。同样的命令也可以在H2Ov3中使用，但是一些参数名称有一些变化。新的参数名称如下：
在解决了这个问题后，我做了一些测试，发现对于R内存中的对象（即，您没有足够的空间以.csv或.txt格式提供它们），加载它们是迄今为止最快的方式（~21 x）是使用in data.table将csv写入磁盘并使用h2o.importFile读取

我尝试了四种方法：

as.h2o（）的直接使用
使用write.csv（）写入磁盘，然后使用h2o.importFile（）加载
将数据一分为二，在每一半上以.h2o（）的形式运行，然后使用h2o.rbind（）进行组合
从data.table使用fwrite（）写入磁盘，然后使用h2o.importFile（）加载
我在不同大小的data.frame上进行了测试，结果看起来非常清楚

如果有人对复制感兴趣，代码如下

library(h2o)
library(data.table)
h2o.init()

testdf <-as.data.frame(matrix(nrow=4000000,ncol=100))
testdf[1:1000000,] <-1000       # R won't let me assign the whole thing at once
testdf[1000001:2000000,] <-1000
testdf[2000001:3000000,] <-1000
testdf[3000001:4000000,] <-1000

resultsdf <-as.data.frame(matrix(nrow=20,ncol=5))
names(resultsdf) <-c("subset","method 1 time","method 2 time","method 3 time","method 4 time")
for(i in 1:20){
    subdf <- testdf[1:(200000*i),]
    resultsdf[i,1] <-100000*i
    
    # 1: use as.h2o()
    
    start <-Sys.time()
    as.h2o(subdf)
    stop <-Sys.time()
    resultsdf[i,2] <-as.numeric(stop)-as.numeric(start)
    
    # 2: use write.csv then h2o.importFile() 

    start <-Sys.time()
    write.csv(subdf,"hundredsandthousands.csv",row.names=FALSE)
    h2o.importFile("hundredsandthousands.csv")
    stop <-Sys.time()
    resultsdf[i,3] <-as.numeric(stop)-as.numeric(start)

    # 3: Split dataset in half, load both halves, then merge

    start <-Sys.time()
    length_subdf <-dim(subdf)[1]
    h2o1 <-as.h2o(subdf[1:(length_subdf/2),])
    h2o2 <-as.h2o(subdf[(1+length_subdf/2):length_subdf,])
    h2o.rbind(h2o1,h2o2)
    stop <-Sys.time()
    resultsdf[i,4] <- as.numeric(stop)-as.numeric(start)
    
    # 4: use fwrite then h2o.importfile()

    start <-Sys.time()
    fwrite(subdf,file="hundredsandthousands.csv",row.names=FALSE)
    h2o.importFile("hundredsandthousands.csv")
    stop <-Sys.time()
    resultsdf[i,5] <-as.numeric(stop)-as.numeric(start)

    plot(resultsdf[,1],resultsdf[,2],xlim=c(0,4000000),ylim=c(0,900),xlab="rows",ylab="time/s",main="Scaling of different methods of h2o frame loading")
    for (i in 1:3){
        points(resultsdf[,1],resultsdf[,(i+2)],col=i+1)
        }
    legendtext <-c("as.h2o","write.csv then h2o.importFile","Split in half, as.h2o and rbind","fwrite then h2o.importFile")
    legend("topleft",legend=legendtext,col=c(1,2,3,4),pch=1)

    print(resultsdf)
    flush.console()
    }
    

库（h2o）
库（数据表）
h2o.init（）
考虑接受提供的答案