已经大半年没有更新博客了。。最近都跑去写分析报告半年没有R
这次记录下关于R循环（百万级以上）死慢死慢的问题，这个问题去年就碰到过，当时也尝试过多线程，but failed......昨天试了下，终于跑通了，而且过程还挺顺利
step1
先查下自己电脑几核的，n核貌似应该选跑n个线程，线程不是越多越好，线程个数和任务运行时间是条开口向下的抛物线，最高点预计在电脑的核数上。
detectCores( )检查当前电脑可用核数 我的是4所以step2选的是4
|
1
2
|
library(parallel)cl.cores <- detectCores() |
step 2
多线程计算
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
|
setwd("C:\\Users\\siyuanmao\\Documents\\imdada\\0-渠道投放和新人券联动模型\\测算")options(scipen=3) ##取消科学计数法channel_ad_ios_data<-seq(0,50000,5000)channel_ad_android_data<-seq(0,100000,10000)library(parallel)func <- function(n){#n=1 result_data<-read.csv("发券方案.csv",stringsAsFactors=FALSE) total_coupon_solution_data<-read.csv("结果表框架.csv",stringsAsFactors=FALSE) coupon_solution_data<-subset(result_data,solution== paste('方案',n,sep="")) for (i in 1:11){#i=3 coupon_solution_data$channel_ad_cost[3]<-5000*(i-1) for (j in 1:11){#j=5 coupon_solution_data$channel_ad_cost[4]<-10000*(j-1) solution_mark<-paste('方案',n,i,j,sep="-") coupon_solution_data$solution<-solution_mark total_coupon_solution_data<-rbind(total_coupon_solution_data,coupon_solution_data) } } print(solution_mark) return(total_coupon_solution_data)}#func(10)system.time({x <- 1:7776cl <- makeCluster(4) # 初始化四核心集群results <- parLapply(cl,x,func) # lapply的并行版本res.df <- do.call('rbind',results) # 整合结果stopCluster(cl) # 关闭集群})df=as.data.frame(res.df) |
原来非多线程的时候，我预计要跑12个小时以上，电脑发出呼呼~~的响声，查了下Python循环会快点，然后改为python版（已经很久没有用了，连个range都不会写，摸索了大半天才改好，但是速度还是慢==），于是改成多线程，运行25分钟就出结果了~~
补充：R语言 多线程
parallel包
包的安装
|
1
2
|
install.packages("parallel")library(parallel) |
包中常用函数
detectCores() 检查当前的可用核数
clusterExport() 配置当前环境
makeCluster() 分配核数
stopCluster() 关闭集群
parLapply() lapply()函数的并行版本
其实R语言本来就是一门向量化语言，如果是对于一个向量的操作，使用apply函数一族能获得比较高的效率，相比于for循环，这种高效来自于：
用C实现了for循环
减少对于data.frame等数据结构等不必要的拷贝
但是很多时候，如果想更快的话，光apply函数一族还不足够，这时候就能用上多线程。
R语言parallel包可以帮助实现多线程。
parLapply的简单代码实战
检查当前核数
|
1
2
3
4
|
cl.cores <- detectCores()#结果> cl.cores[1] 8 |
启动集群和关闭集群
|
1
2
3
|
cl <- makeCluster(4) # 初始化四核心集群###并行任务stopCluster(cl) # 关闭集群 |
parLapply执行多线程计算
|
1
2
3
4
5
|
#定义计算平方函数square <- function(x){ return(x^2)} |
|
1
2
3
4
5
6
7
8
9
|
#利用并行计算计算平方函数num <- c(1:3)cl <- makeCluster(4) # 初始化四核心集群results <- parLapply（cl,num,square）#调用parLapply并行计算平方函数final <- do.call('c',results)#整合结果stopCluster(cl) # 关闭集群#结果> final[1] 1,4,9 |
思考：在如此小的计算方式下，开4个核计算是否比开一个核要快
答案：当然是不一定，因为涉及到调度方式等额外开销，所以不一定快，因为真正并行起作用的地方在于大数据量的计算。
时间开销对比
两段对比代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
#定义计算平方函数square <- function(x){ ######### #一段冗余代码增加执行时间 y = 2*x if(y <300) {z = y} else {z = x} ########## return(x^2)}num <- c(1:10000000) |
|
1
2
3
4
5
6
7
8
9
10
|
#并行计算print(system.time({ cl <- makeCluster(4) # 初始化四核心集群 results <- parLapply（cl,num,square）#调用parLapply并行计算平方函数final <- do.call('c',results)#整合结果stopCluster(cl) # 关闭集群}))#结果用户 系统 流逝 7.89 0.27 19.01 |
|
1
2
3
4
5
6
7
8
|
#普通计算print(system.time({ results <- lapply（num,square） final <- do.call('c',results)#整合结果}))#结果用户 系统 流逝 29.74 0.00 29.79 |
显然在数据量比较大的时候，并行计算的时间几乎就是于核数反比。不过，也不是多开几个核就好，注意内存很容易超支的，每个核都分配相应的内存，所以要注意内存开销。出现内存问题的时候，需要检查是否代码是否合理，R语言版本（64位会比32位分配的内存大），核分配是否合理。
上一级环境中变量的引入
R语言里边对于环境变量有着有趣的定义，一层套一层，这里不做深入展开。
类似于在c语言函数中使用全局变量，R在执行并行计算的时候，如果需要计算的函数出现在全局（上一级），那么就需要声明引入这个变量，否则将会报错。
|
1
2
3
4
5
6
7
|
#定义计算幂函数base = 2square <- function(x){ return(x^base)}num <- c(1:1000000) |
|
1
2
3
4
5
6
7
8
|
#利用并行计算计算幂函数cl <- makeCluster(4) # 初始化四核心集群results <- parLapply（cl,num,square）#调用parLapply并行计算平方函数final <- do.call('c',results)#整合结果stopCluster(cl) # 关闭集群#结果报错Error in checkForRemoteErrors(val) : 4 nodes produced errors; first error: 找不到对象'base' |
|
1
2
3
4
5
6
7
8
9
|
#利用并行计算计算幂函数cl <- makeCluster(4) # 初始化四核心集群clusterExport(cl,"base",envir = environment())results <- parLapply（cl,num,square）#调用parLapply并行计算平方函数final <- do.call('c',results)#整合结果stopCluster(cl) # 关闭集群#结果> final[1] 1,4,9,16,25....... |
foreach包
除了parallel包以外，还有针对并行for循环的foreach包，foreach()的使用也与parLapply()类似，两个功能也类似，其中遇到的问题也类似。
包的安装
|
1
2
|
install.packages("foreach")library(parallel) |
foreach的使用
|
1
2
3
4
5
|
#定义计算幂函数square <- function(x){ return(x^2)} |
非并行情况的使用：
参数中的combine就是整合结果的函数，可以是c，可以是rbind，也可以是+等
|
1
2
3
4
|
results = foreach(x = c(1:3),.combine = 'c') %do% square(x)#结果> results[1] 1,4,9 |
并行情况的使用：
注意并行情况的时候，需要与parallel包进行配合，引入library(doParallel)。同时%do%需要改成%dopar%。另外与parallel包不一样的是，需要多加一句registerDoParallel(cl)来注册核进行使用。
|
1
2
3
4
|
cl <- makeCluster(4)registerDoParallel(cl)results = foreach(x = c(1:100000),.combine = 'c') %dopar% square(x)stopCluster(cl) |
上一级环境中变量的引入
同parallel包并行计算前需要clusterExport()来引入全局变量一样，foreach也同样需要声明，不同的是，foreach声明方式直接写在foreach()的参数export里边。
|
1
2
3
4
5
6
7
8
9
10
|
#定义计算幂函数base = 2square <- function(x){ return(x^base)}cl <- makeCluster(4)registerDoParallel(cl)results = foreach(x = c(1:100000),.combine = 'c',.export ='base' ) %dopar% square(x)stopCluster(cl) |
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/u011454283/article/details/77920833
