R語言通過parallel包實(shí)現(xiàn)多線程運(yùn)行

總的來說，R的運(yùn)算速度不算快，不過類似并行運(yùn)算之類的改進(jìn)可以提高運(yùn)算的性能。下面非常簡要地介紹如何利用R語言進(jìn)行并行運(yùn)算
        library(parallel)
        cl.cores <- detectCores()
        cl <- makeCluster(cl.cores)
        detectCores( )檢查當(dāng)前電腦可用核數(shù)。
        makeCluster(cl.cores)使用剛才檢測的核并行運(yùn)算。R-Doc里這樣描述makeCluster函數(shù)：Creates a set of copies of R running in parallel and communicating over sockets. 即同時創(chuàng)建數(shù)個R進(jìn)行并行運(yùn)算。在該函數(shù)執(zhí)行后就已經(jīng)開始并行運(yùn)算了，電腦可能會變卡一點(diǎn)。尤其在執(zhí)行par開頭的函數(shù)時。

       在并行運(yùn)算環(huán)境下，常用的一些計算方法如下：
      1. clusterEvalQ(cl,expr)函數(shù)利用創(chuàng)建的cl執(zhí)行expr
          這里利用剛才創(chuàng)建的cl核并行運(yùn)算expr。expr是執(zhí)行命令的語句，不過如果命令太長的話，一般寫到文件里比較好。比如把想執(zhí)行的命令放在Rcode.r里：
          clusterEvalQ(cl,source(file="Rcode.r"))
      2.par開頭的apply函數(shù)族。
           這族函數(shù)和apply的用法基本一樣，不過要多加一個參數(shù)cl。一般如果cl創(chuàng)建如上面cl <- makeCluster(cl.cores)的話，這個參數(shù)可以直接用作parApply(cl=cl,…)。當(dāng)然Apply也可以是Sapply,Lapply等等。注意par后面的第一個字母是要大寫的，而一般的apply函數(shù)族第一個字母不大寫。另外要注意，即使構(gòu)建了并行運(yùn)算的核，不使用parApply()函數(shù)，而使用apply()函數(shù)的話，則仍然沒有實(shí)現(xiàn)并行運(yùn)算。換句話說，makeCluster只是創(chuàng)建了待用的核，而不是并行運(yùn)算的環(huán)境。
      最后，終止并行運(yùn)算只需要一行命令
           stopCluster(cl)
案例1、不使用并行計算，直接使用lapply（隱式循環(huán)函數(shù)，它實(shí)際就是對不同的數(shù)據(jù)應(yīng)用了相同的函數(shù)）：
 1 fun <- function(x){
 2 return (x+1);
 3 }
 4  
 5 system.time({
 6 res <- lapply(1:5000000, fun);
 7 });
 8  
 9 user  system elapsed
10 21.42    1.74   25.70
11 
案例2、使用parallel包來加速
 1 library(parallel)
 2 #打開四核，具體核數(shù)根據(jù)機(jī)器的核數(shù)決定
 3 cl <- makeCluster(getOption("cl.cores", 4));
 4 system.time({
 5 res <- parLapply(cl, 1:5000000,  fun)
 6 });
 7 user system elapsed
 8 6.54 0.34 19.95
 9 #關(guān)閉并行計算
10 stopCluster(cl);
看看單核機(jī)器跑出來的結(jié)果：
user  system elapsed
29.30    9.23   97.22
所以，并非核數(shù)越多越好，看機(jī)器配置。
這個函數(shù)有兩點(diǎn)要注意：
首先要先用detectCores函數(shù)確定系統(tǒng)核心數(shù)目，對于Window系統(tǒng)下的Intel I5或I7 處理器，一般使用detectCores(logical = F)來獲得實(shí)際的物理核心數(shù)量。
由于這個函數(shù)使用的是調(diào)用Rscript的方式，這個例子里，對象被復(fù)制了三份，因此內(nèi)存會吃的很厲害，在大數(shù)據(jù)條件就要小心使用。
案例3、在Linux下使用mclapply函數(shù)的效果如下：
1  
2 mc <- getOption("mc.cores", 3)
3 system.time({
4 res <- mclapply(1:5000000, fun, mc.cores = mc);
5 });
6 user system elapsed
7 6.657 0.500 7.181
8  stopCluster(cl);