并行计算，在 dplyr 中哪个替代 tidyr::complete？

Question

我正在尝试并行化管道。 在管道中有一个 tidyr 命令（“tidyr::complete”）。一旦并行运行，这会破坏代码，因为无法识别对象类。

在 dplyr 中是否有替代方法来完成？

library(dplyr)
library(tidyr)
library(zoo)


test <- tibble(year=c(1,2,3,4,5,5,1,4,5),
               var_1=c(1,1,1,1,1,1,2,2,2), 
               var_2=c(1,1,1,1,1,2,3,3,3), 
               var_3=c(0,5,NA,15,20,NA,1,NA,NA))

max_year <- max(test$year,na.rm = T)
min_year <- min(test$year,na.rm = T)

连续剧

test_serial <- test %>% 
  group_by(var_1,var_2) %>% 
  complete(var_1, year = seq(min_year,max_year)) %>%
  mutate(
    var_3 = na.approx(var_3,na.rm = FALSE),
    var_3 = if(all(is.na(var_3))) NA else na.spline(var_3,na.rm = FALSE))

并行（失败）

devtools::install_github("hadley/multidplyr")
library(multidplyr)

cl <- new_cluster(2)
cluster_copy(cl, c("test","max_year","min_year"))
cluster_library(cl, c("dplyr","tidyr","zoo"))

test_parallel <- test %>% group_by(var_1,var_2) %>% partition(cl)
test_parallel <- test_parallel %>% 
  dplyr::group_by(var_1,var_2) %>% 
  tidyr::complete(var_1, year = seq(min_year,max_year)) %>%
  dplyr::mutate(
    var_3 = na.approx(var_3,na.rm = FALSE),
    var_3 = if(all(is.na(var_3))) NA else na.spline(var_3,na.rm = FALSE)) %>% 
  collect()

这是错误信息

Error in UseMethod("complete_") : 
  no applicable method for 'complete_' applied to an object of class "multidplyr_party_df"

Answer 1

Multidplyr 允许您：

1. 使用partition()拆分数据
2. 在专用节点上处理每个分区
3. collect()结果

所有数据处理任务都不适用于之前的工作流程。

特别是，complete 需要知道输入数据中所有可能的值才能创建缺失的行，这意味着该操作作为一个整体不能拆分，所以没有适用的方法。

在您提供的示例中，每个节点都会收到一个 var_1, var_2 对，而不知道其他节点得到了什么，这不允许并行实现预期结果。

但是，正如您已经知道 year = seq(min_year,max_year) 一样，您可以仅为此变量并行化 complete 任务，按 var_1 拆分任务，例如使用 furrr 包：

library(furrr)
plan(multiprocess)
test_parallel <- test %>% 
  group_by(var_1,var_2) %>% 
  complete(var_1) %>% split(.$var_1) %>% 
  furrr::future_map(~{
    complete(.x, year = seq(min_year,max_year)) %>%
    dplyr::mutate(
        var_3 = na.approx(var_3,na.rm = FALSE),
        var_3 = if(all(is.na(var_3))) NA else na.spline(var_3,na.rm = FALSE)) 
    }) %>% bind_rows()

> identical(c(test_serial$var_1,test_serial$var_2,test_serial$var_3,test_serial$year),
+           c(test_parallel$var_1,test_parallel$var_2,test_parallel$var_3,test_parallel$year))
[1] TRUE

将在更大的数据集上进行测试，以衡量 performance 的潜在改进。