考虑对 data.frame 的标准分组操作:
library(plyr)
library(doMC)
library(MASS) # for example
nc <- 12
registerDoMC(nc)
d <- data.frame(x = c("data", "more data"), g = c("group1", "group2"))
y <- "some global object"
res <- ddply(d, .(g), function(d_group) {
# slow, complicated operations on d_group
}, .parallel = FALSE)
通过简单地编写来利用多核设置是微不足道的.parallel = TRUE
。这是我最喜欢的 plyr 功能之一。
但是随着 plyr 被弃用(我认为)并基本上被 dplyr、purrr 等取代,并行处理的解决方案变得更加冗长:
library(dplyr)
library(multidplyr)
library(parallel)
library(MASS) # for example
nc <- 12
d <- tibble(x = c("data", "more data"), g = c("group1", "group2"))
y <- "some global object"
cl <- create_cluster(nc)
set_default_cluster(cl)
cluster_library(cl, packages = c("MASS"))
cluster_copy(cl, obj = y)
d_parts <- d %>% partition(g, cluster = cl)
res <- d_parts %>% collect() %>% ungroup()
rm(d_parts)
rm(cl)
cluster_*
考虑到循环内需要的每个包和对象都需要自己的命令将其复制到节点上,您可以想象这个示例需要多长时间。非并行化的 plyr 到 dplyr 的转换只是一个简单dplyr::group_by
的构造,不幸的是没有简洁的方法可以对其进行并行处理。所以,我的问题是:
- 这实际上是将我的代码从 plyr 转换为 dplyr 的首选方式吗?
- 在 plyr 的幕后发生了什么样的魔力,使得开启并行处理变得如此容易?是否有理由将此功能特别难以添加到 dplyr,这就是为什么它还不存在?
- 我的两个示例在代码执行方式方面是否存在根本不同?