在并行模式下运行具有多个参数的R函数

Question

我有这个功能

function1 <- function(df1, df2, int1, int2, char1)
{
...
return(newDataFrame)
}

它有5个输入：前2个是数据帧，然后我有两个整数和一个字符串。该函数返回一个新的数据框。

到目前为止，我依次运行此函数8次：

newDataFrame1 <- function1(df1, df2, 1, 1, "someString")
newDataFrame2 <- function1(df1, df2, 2, 0, "someString")
newDataFrame3 <- function1(df1, df2, 3, 0, "someString")
newDataFrame4 <- function1(df1, df2, 4, 0, "someString")
newDataFrame5 <- function1(df1, df2, 5, 0, "someString")
newDataFrame6 <- function1(df1, df2, 6, 0, "someString")
newDataFrame7 <- function1(df1, df2, 7, 0, "someString")
newDataFrame8 <- function1(df1, df2, 8, 0, "someString")

最后我使用rbind（）组合结果：

newDataFrameTot <-  rbind(newDataFrame1, newDataFrame2, newDataFrame3, newDataFrame4, newDataFrame5, newDataFrame6, newDataFrame7, newDataFrame8)

我想使用库（并行）并行运行它，但我无法弄清楚如何使这项工作。我在尝试：

cluster <- makeCluster(detectCores())
result <- clusterApply(cluster,1:8,function1)
newDataFrameTot <- do.call(rbind,result)

但这不起作用，除非我的函数function1（）只有一个参数，我从1循环到8.但这不是我的情况，因为我需要传递5个输入。我怎样才能并行完成这项工作？

Answer 1

要迭代多个变量，clusterMap非常有用。由于您只是在int1和int2上进行迭代，因此您应该使用“MoreArgs”选项来指定您没有迭代的变量：

cluster <- makeCluster(detectCores())
clusterEvalQ(cluster, library(xts))
result <- clusterMap(cluster, function1, int1=1:8, int2=c(1, rep(0, 7)),
                MoreArgs=list(df1=df1, df2=df2, char1="someString"))
df <- do.call('rbind', result)

特别是，如果df1和df2是数据框并且它们被指定为迭代变量而不是使用“MoreArgs”，那么clusterMap将迭代这些数据帧的列而不是将整个数据帧传递给function1，这不是你的意思想。

请注意，使用命名参数以便正确传递参数非常重要。

---

关于绩效的说明

如果df1或df2非常大，您可以通过将它们导出到集群工作者来获得更好的性能。这避免了在每个任务中发送它们，但需要包装函数。这也意味着您不再需要使用“MoreArgs”选项：

clusterExport(cluster, c('df1', 'df2', 'function1'))
wrapper <- function(int1, int2, char1) {
  function1(df1, df2, int1, int2, char1)
}
result <- clusterMap(cluster, wrapper, 1:8, c(1, rep(0, 7)), "someString")

如果工作人员执行多项任务，这允许重复使用df1和df2，但如果任务数量等于工作人员数量则没有意义。

Answer 2

要传递一个变量，您必须像您尝试的那样使用lapply或sapply的并行版本。但是，要传递许多变量，必须使用mapply或Map的并行版本。这将是clusterMap，所以试试

clusterMap(cluster, function1, df1, df2, 1:8, c(1, rep(0, 7)), "someString")

编辑正如评论中指出的那样，这将引发错误。通常，长度为1的参数（例如本例中的"someString"）应该循环到其他参数的长度（例如本例中的1:8）。抛出的错误是由于数据帧不以相同的方式回收，而是被视为列表，因此它们的列重复而不是整个数据帧。这就是为什么你得到错误$ operator is invalid for atomic vectors，因为在function1内部，它试图在数据帧的提取列上使用$，这是一个向量，而不是数据帧本身。这有两种补救措施。第一种是在MoreArgs中传递其他参数，如另一个答案中所述。这需要你的参数被命名（无论如何这都是好的做法）。修复它的第二种方法是将每个数据框包装在一个列表中：

clusterMap(cluster, function1, list(df1), list(df2), 1:8, c(1, rep(0, 7)), "someString")

这将有效，因为现在整个数据框架df1和df2将被回收。可以看到差异，例如通过观察rep(df1, 2)与rep(list(df1), 2)的输出。

Answer 3

由于我最近在R中遇到了同样的问题，我附上了一个非常有用的网站的链接。这是一个新的multidplyr包，可以在R中进行并行处理。它绝对适用于Windows 10. :)

http://www.business-science.io/code-tools/2016/12/18/multidplyr.html

为了帮助您使用代码，这将是我建议的解决方案（没有测试，但应该像我在另一个例子中使用它一样工作）

#Install the packages
install.packages("devtools")
devtools::install_github("hadley/multidplyr")
require(multidplyr)
library(parallel)
cl <- detectCores()
cluster <- create_cluster(cores = cl)
cluster %>%
    # Assign libraries
    cluster_library("igraph") %>%
    cluster_library("tidyverse") %>%
    cluster_library("magrittr") %>%
    cluster_library("dplyr") %>%
    cluster_library("RColorBrewer") %>%
    # Assign values (use this to load functions or data to each core)
    cluster_assign_value("anyfunction", anyfunction)

result <- clusterMap(cluster, function1, int1=1:8, int2=c(1, rep(0, 7)),
            MoreArgs=list(df1=df1, df2=df2, char1="someString"))