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 <- 1:7776
cl <- 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 = 2
square <-
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 = 2
square <-
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脚本之家。如有错误或未考虑完全的地方，望不吝赐教。