检查远程错误时出错 (val)：5 个节点产生错误：找不到对象

Question

我正在尝试进行 10 倍交叉验证并通过使用并行处理 (parLapply) 来估计联合模型的模型性能。我试图找出我收到错误消息的原因： "checkForRemoteErrors(val) 中的错误：五个节点产生错误：找不到对象 'Week'"

代码如下：

# Validation using 10-fold CV
    library("parallel")
    set.seed(123)
    V <- 10
    n <- nrow(dfC)
    splits <- split(seq_len(n), sample(rep(seq_len(V), length.out = n)))
    CrossValJM <- function (i) {
        library("JM")
        library("nlme")
        trainingData <- dfL[!dfL$ID %in% i, ]
        trainingData_ID <- trainingData[!duplicated(trainingData$ID), ]
        testingData <- dfL[dfL$ID %in% i, ]

        lmeFit <- lme(DA ~ ns(Week, 2), data = trainingData,
                           random = ~ ns(Week, 2) | ID)
        coxFit <- coxph(Surv(TT_event, Event) ~ Gender * Age, data = 
                           trainingData_ID, 
                             x = TRUE)

        jointFit <- jointModel(lmeFit, coxFit, timeVar = "Week")

        pe <- prederrJM(jointFit, newdata = testingData, Tstart = 10, 
                                                  Thoriz = 20)
        auc <- aucJM(jointFit, newdata = testingData, Tstart = 10, 
                                                  Thoriz = 20)
        list(pe = pe, auc = auc)
    }

    cl <- makeCluster(5)
    res <- parLapply(cl, splits, CrossValJM)
    stopCluster(cl)

函数本身被接受，但是在运行集群命令时我遇到了这个错误，它提到它无法识别函数中给出的对象..它们应该在函数本身中定义吗？还是我没有正确使用 parLapply 函数？

P.S.：数据如下（dfL 是一个长度为 ~ 1000 和 dfC ~ 200 的数据帧）：

dfL <- data.frame(ID = c(1, 1, 1, 2, 2, 3), DA = c(0.4, 1.8, 1.2, 3.2, 3.6, 2.8), Week = c(0, 4, 16, 4, 20, 8), Event = c(1, 1, 1, 0, 0, 1), TT_Event = c(16, 20, 8), Gender = c(0, 0, 0, 1, 1, 0), Age = c(24, 24, 24, 56, 56, 76))

dfC <- data.frame(ID = c(1, 2, 3, 4, 5, 6), DA = c(1.2, 3.6, 2.8, 2.4, 1.9, 3.4), Week = c(16, 20, 8, 36, 24, 32), Event = c(1, 0, 1, 1, 1, 0), TT_Event = c(16, 20, 8, 36, 24, 32), Gender = c(0, 1, 0, 0, 1, 1), Age = c(24, 56, 76, 38, 44, 50))

谢谢:)

Answer 1

Stack Overflow 上已经回答了非常相关的问题。 基本上，您有三种解决方案：

• 使用clusterExport()将你需要的变量导出到集群中（最常用的方法）
• 将所有变量作为函数CrossValJM() 的参数传递，以便它们自动导出到集群（我更喜欢的解决方案，编程上最正确的解决方案）
• 使用 R 包 {future}，它应该自动检测要导出的变量（惰性解决方案，但似乎也很有效）

参见例如this。