我有一个小标题，其中包含一个带有向量的列表列。我想创建一个新列来说明每个向量的长度。由于这个数据集很大（3M 行），我想用这个furrr包来减少一些处理时间。但是，它似乎purrr比furrr. 怎么来的？
为了演示这个问题，我首先模拟了一些数据。不要费心去理解模拟部分的代码，因为它与问题无关。
数据模拟功能
library(stringi)
library(rrapply)
library(tibble)
simulate_data <- function(nrows) {
split_func <- function(x, n) {
unname(split(x, rep_len(1:n, length(x))))
}
randomly_subset_vec <- function(x) {
sample(x, sample(length(x), 1))
}
tibble::tibble(
col_a = rrapply(object = split_func(
x = setNames(1:(nrows * 5),
stringi::stri_rand_strings(nrows * 5,
2)),
n = nrows
),
f = randomly_subset_vec),
col_b = runif(nrows)
)
}
模拟数据
set.seed(2021)
my_data <- simulate_data(3e6) # takes about 1 minute to run on my machine
my_data
## # A tibble: 3,000,000 x 2
## col_a col_b
## <list> <dbl>
## 1 <int [3]> 0.786
## 2 <int [5]> 0.0199
## 3 <int [2]> 0.468
## 4 <int [2]> 0.270
## 5 <int [3]> 0.709
## 6 <int [2]> 0.643
## 7 <int [2]> 0.0837
## 8 <int [4]> 0.159
## 9 <int [2]> 0.429
## 10 <int [2]> 0.919
## # ... with 2,999,990 more rows
我想改变一个新列（ ）的实际问题length_col_a，它将解释col_a. 我要这样做两次。先用purrr::map_int()再用furrr::future_map_int()。
library(dplyr, warn.conflicts = T)
library(purrr)
library(furrr)
library(tictoc)
# first with purrr:
##################
tic()
my_data %>%
mutate(length_col_a = map_int(.x = col_a, .f = ~length(.x)))
## # A tibble: 3,000,000 x 3
## col_a col_b length_col_a
## <list> <dbl> <int>
## 1 <int [3]> 0.786 3
## 2 <int [5]> 0.0199 5
## 3 <int [2]> 0.468 2
## 4 <int [2]> 0.270 2
## 5 <int [3]> 0.709 3
## 6 <int [2]> 0.643 2
## 7 <int [2]> 0.0837 2
## 8 <int [4]> 0.159 4
## 9 <int [2]> 0.429 2
## 10 <int [2]> 0.919 2
## # ... with 2,999,990 more rows
toc()
## 6.16 sec elapsed
# and now with furrr:
####################
future::plan(future::multisession, workers = 2)
tic()
my_data %>%
mutate(length_col_a = future_map_int(col_a, length))
## # A tibble: 3,000,000 x 3
## col_a col_b length_col_a
## <list> <dbl> <int>
## 1 <int [3]> 0.786 3
## 2 <int [5]> 0.0199 5
## 3 <int [2]> 0.468 2
## 4 <int [2]> 0.270 2
## 5 <int [3]> 0.709 3
## 6 <int [2]> 0.643 2
## 7 <int [2]> 0.0837 2
## 8 <int [4]> 0.159 4
## 9 <int [2]> 0.429 2
## 10 <int [2]> 0.919 2
## # ... with 2,999,990 more rows
toc()
## 10.95 sec elapsed
我知道tictoc这不是最准确的基准测试方法，但仍然furrr应该更快（正如小插图所暗示的那样），但事实并非如此。我确保数据没有分组，因为作者解释说这furrr不适用于分组数据。那么还有什么其他解释可以解释为furrr比 慢（或不是非常快）purrr？
编辑
我在讨论几乎相同问题的 github repo上发现了这个问题。furrr但是，情况有所不同。在 github issue 中，被映射的函数是用户定义的函数，需要附加额外的包。所以作者解释说，每个furrr工人在进行计算之前都必须附上所需的包裹。相比之下，我length()从 映射函数base R，因此实际上应该没有附加任何包的开销。
此外，作者认为可能会出现问题，因为plan(multisession)没有在 RStudio 中工作。但是将parallelly包更新到开发版本可以解决这个问题。
remotes::install_github("HenrikBengtsson/parallelly", ref="develop")
不幸的是，此更新对我的情况没有任何影响。