R+SQLServer的大数据管理

在学习和使用R语言的过程中，在数据文件的选择方面，由于csv文件在各大数据库软件以及统计分析软件都有很好的兼容性，所以一直被广泛地用作数据储存传输。笔者最近手头上有一个10多G的csv，大概有2千5百万条的记录，这真的让我以及我的R语言感到亚历山大。Excel不用说更是打不开了(Excel 2003及以前的版本最大仅支持65,536行)，SAS软件花费一些时间勉强能打开，但是对某些中文的格式不兼容(特别是某些变量包含逗号的时候)。该怎么办呢？这是大数据的问题吗？怎么那么不小心就被我碰上了？

今天我们就谈谈“大数据”这个老话题。自2012年以来，大数据(Big Data)已经上过《纽约时报》《华尔街日报》的专栏封面，进入美国白宫官网的新闻，在国内更是被炒得热火朝天，互联网、工商业、高校等都纷纷进行探索讨论。大数据战略甚至成为了我们国家“十三五”十四大战略之一。

虽然“大数据”的概念很宽泛，是对规模庞大的数据对象，及其处理和应用活动的统一，但我们今天就浅谈一下它的“大”。大数据的“大”，一般是指在10TB规模左右大型数据集，但在实际应用中，很多用户把多个数据集放在一起，已经形成了PB级的数据量；例如，百度的首页导航每天需要提供的数据超过1.5PB，这些数据如果打印出来将超过5千亿张A4纸。也曾经有报道，截至20世纪末，人类生产的所有印刷材料的数据量仅为200PB。好像有点扯远了~

处理这些TB、PB级的数据，我们不妨试试强大的SQL Server。它是是微软公司推出的一个具有使用方便、可伸缩性好、与相关软件集成程度高等优点的全面的关系型数据库管理平台，可以满足数据爆炸时代和数据驱动应用程序的需求。

令人兴奋的是，微软在2016年6月正式发布的SQL Server 2016将支持R语言编程(包括大数据的算法)。据了解，这次更新是微软对Revolution Analytics公司收购的结果，该公司此前的产品Revolution R就是一款强大的大数据分析工具。所以说SQL Server 2016代表了微软向大数据及机器学习领域迈出的第一步。

感兴趣的朋友可以下载试用一下(当然，以上所说都是商业收费软件)。为了初探一下SQL Server强大的数据管理功能，下面简单介绍一下通过R语言对SQL Server数据库进行读写。使用测试系统环境为win 10 家庭中文版、SQL Server 2008 R2、R 3.3.3。

(1)SQL Server的下载安装。网上有很多相关的资源，本公众号主页菜单“资源共享”下的“实用软件”也有收录。当然大家也可以下载使用精简版的MySQL(免费软件)。安装下载好之后，如下图添加名为“test”的数据库。

(2)将test数据库添加到计算机的ODBC数据源管理器中。在控制面板的“管理工具”中打开“ODBC 数据源(64 位)”，如下图设置好，其他步骤默认设置即可。

(3)在R软件中通过RODBC包对test数据库进行数据的保存和读取。测试数据选择我们常用的R软件自带鸢尾花(iris)数据。

install.packages("RODBC")#安装RODBC包

library(RODBC)#加载RODBC包

test=odbcConnect("test")#连接到SQL Server中的test数据库设置

data(iris)#提取iris数据

sqlSave(test,iris)#把iris数据保存到test数据库

iris.test=sqlQuery(test,"select * from iris")#读取数据库中的iris数据

str(iris.test); str(iris)#比较两个数据来源的数据

就这样，我们在使用R语言的强大的数据整理和分析功能的同时，借助SQL Server强大的数据存储功能，可以说正如微软一样向大数据及机器学习领域又迈出一步。