这是上一个关于学习多个模型的问题的后续。
用例是我对每个主题都有多个观察结果，我想为每个主题训练一个模型。请参阅 Hadley关于如何执行此操作的出色演示。
简而言之，这是可以使用的dplyr，purrr就像这样：
library(purrr)
library(dplyr)
library(fitdistrplus)
dt %>%
split(dt$subject_id) %>%
map( ~ fitdist(.$observation, "norm"))
因此，由于模型构建是一个令人尴尬的并行任务，我想知道是否dplyr有purrr一个易于使用的并行化机制来处理此类任务（如并行map）。
如果这些库不提供简单的并行化，是否可以使用经典的 R 并行化库（parallel等foreach）来完成？
只需在此处添加完整性答案，您将需要从 Hadley 的 repo 安装multidplyr来运行它，更多信息在小插图中：
library(dplyr)
library(multidplyr)
library(purrr)
cluster <- create_cluster(4)
set_default_cluster(cluster)
cluster_library(cluster, "fitdistrplus")
# dt is a dataframe, subject_id identifies observations from each subject
by_subject <- partition(dt, subject_id)
fits <- by_subject %>%
do(fit = fitdist(.$observation, "norm")))
collected_fits <- collect(fits)$fit
collected_summaries <- collected_fits %>% map(summary)
现在有furrr包，例如：
library(dplyr)
library(furrr)
plan(multiprocess)
dt %>%
split(dt$subject_id) %>%
future_map(~fitdist(.$observation, "norm"))