ну это был раньше MonetDBLite

форкнули в duckdb,

ибо MonetDBLite вендор забросил

хаха, смешно вышло

Ааа, утка?

Я думал правда dick, думаю что, неужели такая х. вая СУБД 😂

) 0)))

😂

у меня 5 файлов выполнятся :)
ничего изящного пока не нашел :)

5 файлов и два акцеса
(большие CSV получились по 65 ГБ - вот бью их теперь частями )

О! у меня вышло примерно 200 ГБ данных
наджойнилось :)

Имена файлов кириллицей 😳

ну у тебя уже решение, я пока просто бейз сделал

И результат тот-же??

мой подход такой
беру файл без лайна - читаю его по строчно
и если встречаю Идентификатор который предсказан - его меняю :)
если не смог предсказать этому человеку что то - то оставляю из безлайна

вариант... я придумал как для модельки данные набрать, но времени мало уже ) так то можно на future.apply все сделать, только мудрить-хитрить надо

но времени мало на это

короче я сначла обираю только тех кого надо предсказывать
деление на 8 и нечетные


# оставляем только тех кого можно предсказать

library(readr)
train <- read_csv("VK_Chalenge/train.csv")
# View(train)




# Отбираем тех кого надо предсказать
target_train <- unique(train[ train$u %% 8 == 1  ,c("u")  ])


# Отбираем тех кого можно предсказaть (все нечетные)
candidate_train_u <- unique(train[ train$u %% 2 == 1  , c("u") ])
candidate_train_v <- unique(train[ train$v %% 2 == 1  , c("v") ])

names (candidate_train_u) <- c("v")
names (candidate_train_v) <- c("v")

candidate_train <-  unique(rbind( candidate_train_u , candidate_train_v ))

потом результат моего супер дерева :)
только для тех кого надо предсказать

# Деф результ это предскзания по всем (результат модели )
df_result <- df_result[df_result$from %in% candidate_train$v, ]

и потом формирую сабмит
через замену имеющихся в файле