Cargar archivos CSV más rápido en R con {arrow}
12/10/2026
En el análisis de datos, si bien la conveniencia es un factor primordial (código más sencillo, legible y fácil de escribir nos permite generar resultados mucho más rápido), siempre es posible replantearnos la forma en que trabajamos para pensar alternativas más optimizadas y veloces, si es que el volumen de datos con los que trabajamos lo amerita.
Los archivos CSV (comma-separated values, valores separados por comas) suelen ser el formato más básico para guardar datos. Los beneficios que tienen los CSV con respecto a compatibilidad y accesibilidad son a su vez la causa de sus desventajas: son más pesados porque sus datos no se guardan comprimidos, y suelen ser más lentos de cargar, porque los datos no vienen codificados de una forma optimizada.
Sin embargo, usualmente grandes bases de datos son guardadas en archivos CSV, con varios millones de filas, lo que puede hacer que la carga de un archivo dure entre varios segundos a minutos.
Hagamos una comparación cargando un archivo CSV de 1,36 GB, de más de 3 millones de filas y 66 columnas, por medio de 4 funciones: read.csv() de R base, read_csv de
{readr}, read_csv_arrow de
{arrow}, y finalmente open_csv_dataset de Arrow para
cargar archivos como base de datos.
Datos
Los datos corresponden al registro de asistencia anual por estudiante del Ministerio de Educación de Chile, el cual puedes descargar aquí:
library(readr)
library(arrow)
library(tictoc) # para medir el tiempo que tardan
# ruta de la base
archivo <- "~/Downloads/Asistencia-anual-2025/ASISTENCIA_ANUAL_PUBL_2025.csv"
Opción 1: read.csv()
Esta función viene por defecto en R, y es la que peor desempeño tiene, además de cargar los datos en un dataframe tradicional en lugar de un tibble:
tic()
datos <- read.csv2(archivo)
toc()
62.01 sec elapsed
La carga del archivo demora más de un minuto con este método!
Opción 2: readr::read_csv()
El paquete {readr} es muy versátil para leer y escribir datos con un desempeño aceptable y una sintaxis consistente:
tic()
datos <- readr::read_csv2(archivo)
toc()
15.665 sec elapsed
Usando read_csv() cargamos datos mucho más rápido que con el método de R por defecto! Además, obtenemos los datos en un cómodo y moderno tibble. Pero todavía puede ser más rápido…
Opción 3: arrow::read_csv_arrow()
Los desarrolladores de la
tecnología Arrow, principalmente conocida por el excelente
formato de datos columnares .parquet (que supera a cualquier otro en velocidad de lectura y eficiencia de almacenamiento), ofrecen una
función optimizada para la lectura de archivos csv:
tic()
datos <- arrow::read_csv2_arrow(archivo)
toc()
3.682 sec elapsed
¡Bajamos de 62 a tan sólo 3,6 segundos!
El paquete {arrow} ofrece un lector optimizado de archivos CSV que supera en velocidad a cualquier otro que podamos usar en R.
Opción 4: cargar como base de datos
Como se explica en este tutorial sobre Arrow, una de las potencialidades de Arrow es poder cargar grandes volúmenes de datos como una base de datos a la cual hacemos consultas.
En este caso, abrimos un dataset e indicamos el separador (por ejemplo, punto y coma):
tic()
datos <- open_delim_dataset(archivo,
delim = ";")
toc()
0.049 sec elapsed
La carga es instantánea! Pero esto es porque los datos no se leyeron realmente:
datos
FileSystemDataset with 1 csv file
66 columns
MRUN: int64
AGNO: int64
RBD: int64
MES_ESCOLAR: int64
NOM_RBD: string
COD_REG_RBD: int64
NOM_REG_RBD_A: string
COD_PRO_RBD: int64
COD_COM_RBD: int64
NOM_COM_RBD: string
COD_DEPROV_RBD: int64
NOM_DEPROV_RBD: string
RURAL_RBD: int64
COD_DEPE2: int64
COD_ENSE: int64
COD_ENSE2: int64
COD_GRADO: int64
LET_CUR: string
GEN_ALU: int64
DIAS_ASISTIDOS_3: int64
...
46 more columns
Use `schema()` to see entire schema
Obtenemos un esquema de los datos, a partir del cual podemos solicitar datos y obtenerlos con la función collect().
Como vimos
en el tutorial de Arrow, necesitamos saber qué operaciones realizar sobre los datos, y luego solicitarlas. Por ejemplo, seleccionemos solamente las columnas que necesitamos, y las cargamos con collect():
library(dplyr)
tic()
datos |>
select(AGNO, NOM_RBD, COD_COM_RBD, TASA_ASISTENCIA_ANUAL) |>
collect()
# A tibble: 3,284,345 × 4
AGNO NOM_RBD COD_COM_RBD TASA_ASISTENCIA_ANUAL
<int> <chr> <int> <chr>
1 2025 LICEO TEC. PROFESIONAL DE ADULTOS DE… 5802 0,44736842105263203
2 2025 COLEGIO JUAN LUIS VIVES 5101 0,95862068965517200
3 2025 COLEGIO JUAN LUIS VIVES 5101 0,95312500000000000
4 2025 ESCUELA BASICA DALCAHUE 10205 0,58333333333333304
5 2025 COLEGIO JUAN LUIS VIVES 5101 0,21969696969697000
6 2025 COLEGIO ADULTOS ALFRED NOBEL 13119 0,97058823529411797
7 2025 LICEO DE ADULTOS PART.FERMIN VIVACETA 13101 0,92405063291139200
8 2025 ESCUELA DEL CARIÑO SAINT CHRISTIAN 13111 1,00000000000000000
9 2025 COLEGIO JUAN LUIS VIVES 6101 0,96923076923076901
10 2025 ESCUELA PARTICULAR SAN SEBASTIAN 9106 0,34000000000000002
# ℹ 3,284,335 more rows
toc()
2.611 sec elapsed
Se demoró poquísimo, y la optimización aumenta cuando aplicamos filter() e incluso otras operaciones de R, como mutate() o incluso summarize()!
tic()
datos |>
select(AGNO, NOM_RBD, COD_COM_RBD, TASA_ASISTENCIA_ANUAL) |>
filter(COD_COM_RBD == 1101) |>
collect()
# A tibble: 44,481 × 4
AGNO NOM_RBD COD_COM_RBD TASA_ASISTENCIA_ANUAL
<int> <chr> <int> <chr>
1 2025 COLEGIO BULNES 1101 0,12318840579710100
2 2025 LICEO C.E.I.A. JOSE ALEJANDRO SORIA … 1101 0,21686746987951799
3 2025 COLEGIO BULNES 1101 0,74522292993630612
4 2025 COLEGIO BULNES 1101 0,75903614457831292
5 2025 LICEO C.E.I.A. JOSE ALEJANDRO SORIA … 1101 0,25396825396825401
6 2025 LICEO C.E.I.A. JOSE ALEJANDRO SORIA … 1101 0,80722891566265109
7 2025 LICEO C.E.I.A. JOSE ALEJANDRO SORIA … 1101 0,63551401869158897
8 2025 COLEGIO BULNES 1101 0,37349397590361400
9 2025 LICEO C.E.I.A. JOSE ALEJANDRO SORIA … 1101 0,82242990654205606
10 2025 LICEO C.E.I.A. JOSE ALEJANDRO SORIA … 1101 0,63253012048192803
# ℹ 44,471 more rows
toc()
2.591 sec elapsed
Si se requiere cargar una columna en un formato distinto al asumido, por ejemplo, una columna numérica donde los números se separan con comas, puede indicarse así:
datos <- open_delim_dataset(
archivo,
delim = ";",
col_types = schema(TASA_ASISTENCIA_ANUAL = double()),
convert_options = CsvConvertOptions$create(decimal_point = ",")
)
Luego realizamos la operación sobre los datos cargados como base de datos:
tic()
datos |>
select(AGNO, COD_REG_RBD, NOM_COM_RBD, TASA_ASISTENCIA_ANUAL) |>
filter(COD_REG_RBD == 1) |>
group_by(NOM_COM_RBD) |>
summarize(TASA_ASISTENCIA_ANUAL = mean(TASA_ASISTENCIA_ANUAL, na.rm = T)) |>
collect()
# A tibble: 7 × 2
NOM_COM_RBD TASA_ASISTENCIA_ANUAL
<chr> <dbl>
1 IQUIQUE 0.848
2 HUARA 0.831
3 ALTO HOSPICIO 0.854
4 PICA 0.839
5 POZO ALMONTE 0.883
6 COLCHANE 0.863
7 CAMIÑA 0.923
toc()
2.605 sec elapsed
Publicaciones relacionadas
Conclusiones
Realicemos un benchmark para contar con los datos claros sobre el veredicto final:
bench::mark(
check = FALSE, iterations = 1,
base = read.csv2(archivo),
readr = readr::read_csv2(archivo, show_col_types = F),
arrow = arrow::read_csv2_arrow(archivo),
)
# A tibble: 3 × 13
expression min median `itr/sec` mem_alloc total_time
<bch:expr> <bch:tm> <bch:tm> <dbl> <bch:byt> <bch:tm>
1 base 1.02m 1.02m 0.0163 6.66GB 1.02m
2 readr 18s 18s 0.0556 1.62GB 18s
3 arrow 2.04s 2.04s 0.489 613.92MB 2.04s
En el resultado final de este experimento, cargar un archivo csv con arrow::read_csv_arrow() resulta casi 10 veces más rápido que cargarlo con readr::read_csv(), el cual es a su vez cinco veces más rápido que cargarlo con el típico read.csv()!
Si revisamos la columna mem_alloc, también podemos confirmar que, además de ser más rápido, ocupa muchísima menos memoria para llevar a cabo la carga: mientras R base consume casi 6 GB de memoria, Arrow lo logra con ~600 MB!
Publicaciones relacionadas
Publicaciones sobre optimización
