参考网址
众所周知，在大数据时代R语言有两个弱项，其中一个就是只能使用单线程计算。但是R在2.14版本之后，R就内置了parallel包，强化了R的并行计算能力。 parallel包实际上整合了之前已经比较成熟的snow包和multicore包，multicore无法在windows下运行。parallel包可以很容易的在计算集群上实施并行计算，在多个CPU核心的单机上，也能发挥并行计算的功能。我们今天就来探索一下parallel包在多核心单机上的使用。 parallel包的思路和lapply函数很相似，都是将输入数据分割、计算、整合结果。只不过并行计算是用到了不同的cpu来运算。 这样的计算过程可以使用如下方式来表述： 1. 启动M个附属进程，并初始化 2. 针对于任务，为每个附属进程分发所有的数据 3. 将任务粗略的分为M个块儿（chunks），并将这些块儿发送到附属进程（包含需要的R代码） 4. 等待所有的附属进程完成计算任务，并返回结果 5. 对于其他任务也同样重复2-4 6. 关闭附属进程 在parallel包里，对应上述两种并行化方式有如下两个核心函数（针对于lapply函数的并行化，mclapply在windows上不能使用）： parLapply(cl, x, FUN, …) mclapply(X, FUN, …, mc.cores)
案例1、不使用并行计算，直接使用lapply（隐式循环函数，它实际就是对不同的数据应用了相同的函数）：fun <- (x+1);}system.time({res <- lapply(1:5000000, fun);});user system elapsed案例2、使用parallel包来加速library(parallel)#打开四核，具体核数根据机器的核数决定cl <- makeCluster(getOption(‘cl.cores’, 4));system.time({res <- parLapply(cl, 1:5000000, fun)});user system elapsed
关闭并行计算 stopCluster(cl); 看看单核机器跑出来的结果： user system elapsed 29.30 9.23 97.22 所以，并非核数越多越好，看机器配置。 这个函数有两点要注意： 首先要先用detectCores函数确定系统核心数目，对于Window系统下的Intel I5或I7 处理器，一般使用detectCores(logical = F)来获得实际的物理核心数量。 由于这个函数使用的是调用Rscript的方式，这个例子里，对象被复制了三份，因此内存会吃的很厉害，在大数据条件就要小心使用。
案例3、在Linux下使用mclapply函数的效果如下：mc <- getOption(‘mc.cores’, 3)system.time({res <- mclapply(1:5000000, fun, mc.cores = mc);});user system elapsed
foreach包是revolutionanalytics公司贡献给R开源社区的一个包，它能使R中的并行计算更为方便。与sapply函数类似，foreach函数中的第一个参数是输入参数，%do%后面的对象表示运算函数，而.combine则表示运算结果的整合方式。 下面的例子即是用foreach来完成前面的同一个任务。如果要启用并行，则需要加载doParallel包，并将%do%改为%dopar%。这样一行代码就能方便的完成并行计算了。
案例4、foreach包的使用：library(foreach)# 非并行计算方式，，类似于sapply函数的功能x <- foreach(x=1:1000,.combine=’rbind’) %do% func(x)# 启用parallel作为foreach并行计算的后端library(doParallel)cl <- makeCluster(4)registerDoParallel(cl)# 并行计算方式x <- foreach(x=1:1000,.combine=’rbind’) %dopar% func(x)stopCluster(cl)
流过泪的眼睛更明亮，滴过血的心灵更坚强！
