用 doMC 替代并行 plyr

Question

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)

只需编写.parallel = TRUE 即可充分利用多核设置。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)

考虑到循环内需要的每个包和对象都需要自己的cluster_* 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的 dplyr::group_by 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 中，而这就是它尚不存在的原因？
• 我的两个示例在代码执行方式方面是否存在根本不同？

Answer 1

1. 我认为没有一种真正的“首选”方式可以将 {plyr} 代码转换为 {dplyr}。

2. 在 cmets 中，@Aurèle 在描述 {plyr} 和 {doMC} 之间的联系方面做得比我做得更好。发生的一件事是激励措施发生了一些变化。 {doMC} 来自 Revolution Analytics（已被 Microsoft 收购）。但是开发 dplyr 的 Hadley 目前在 RStudio 工作。这两家公司在 IDE 领域展开竞争。因此，它们的软件包无法很好地配合使用，这可能是很自然的。我看到对 RStudio 的强烈支持的唯一形式是 {sparklyr}，他们已经使设置相对“容易”。但是，我真的不推荐使用 Spark 为单台机器进行并行处理。

3. @Aurèle 再次很好地解释了执行差异。您的新代码使用 PSOCK 集群，旧代码使用分叉。分叉使用写时复制模式来访问 RAM，因此并行进程可以在分叉后立即访问相同的数据开始。 PSOCK 集群就像生成 R 的新副本 - 它们必须加载库并接收数据的显式副本。

您可以使用类似...的模式

library(dplyr)
library(purrr)
library(future)
plan(multicore)
options(mc.cores = availableCores())
d <- data.frame(x = 1:8, g = c("group1", "group2", "group3", "group4"))
y <- "some global object"


split(d, d$g) %>% 
  map(~ future({Sys.sleep(5);mean(.x$x)})) %>% 
  map_df(~value(.x))

...在map_df 步骤上进行一些并行处理。请注意，在 {purrr} 下，~ 是匿名函数语法，其中 .x 是已映射的值。

如果你喜欢危险的生活，你可以通过使用 {purrr} 中的私有方法来创建类似的版本而不使用 {future}

mcmap <- function(.x, .f, ...) {
  .f <- as_mapper(.f, ...)
  mclapply(.x, function(.x) {
    force(.f)
    .Call(purrr:::map_impl, environment(), ".x", ".f", "list")
  }) %>%
    map(~ .x[[1]])
}