炼数成金 门户 商业智能 R语言 查看内容

R语言多任务处理与并行运算包——foreach

2018-4-24 10:34| 发布者: 炼数成金_小数| 查看: 16655| 评论: 0|原作者: 杜雨|来自: R语言中文社区

摘要: 相信大部分R语言初学者,在刚开始入门之处,都曾被告诫在处理多重复任务时,尽量不要使用显式的for循环,而要尽可能的使用R语言内置的apply组函数,这样可以极大地提高代码运行效率。但是实际上除了内的apply组函数 ...

计算机 R语言 操作系统 函数 进程

相信大部分R语言初学者,在刚开始入门之处,都曾被告诫在处理多重复任务时,尽量不要使用显式的for循环,而要尽可能的使用R语言内置的apply组函数,这样可以极大地提高代码运行效率。

但是实际上除了内的apply组函数之外,你还有另外一个更好地选择,就是利用一些支持并行运算的扩展包,来发挥本地计算机的多和计算优势。

本篇要讲解的包是foreach包,这是一个支持在R语言中调用多进程功能的第三方包,之前在对比显式循环、矢量化函数以及多进程在数据抓取的效率一文中,曾经演示过具体的代码。

library("foreach")
library("doParallel")
foreach包执行任务的核心理念与传统的apply组函数基本一致,都是与split – apply – combine一致的流程,不过foreach比传统apply组函数的优越之处在于,它可以通过调用操作系统的多核运行性能来执行并行任务,这样特别是对于I/O密集型任务而言,可以大大节省代码执行效率。

foreach(...,            #待输入的参数       .combine,        #结果返回后执行的数据合并操作(c代表合并为向量,list代表合并为列表,rbind代表合并为数据框)       .packages=NULL,  #在多进程共享的程序包(仅对于非系统安装包必备)       .export=NULL,    #未在当前环境中定义的数据对象       .verbose=FALSE   #是否打印运行信息       )
以上函数中,第1个参数是必备参数,即必须有输入参数,结果默认返回list。

foreach函数用于定义执行多进程任务的函数,任务的执行则需要使用%do%/%dopar%函数,前者执行的是普通的单进程任务(与apply组函数一样),后者则可以执行多进程任务。

接下来我们演示一遍整个多进程任务的过程:

首先定义一个执行函数:
library("httr") library("jsonlite")
library("magrittr")
GETPDF <-  function(i){  url<-"https://index.toutiao.com/api/report"  headers<-c(            "Host"="index.toutiao.com",     "User-Agent"="Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.79 Safari/537.36"  )  payload <-list("page"=1,"size"=12)    payload[["page"]]=i    web <- GET(url,add_headers(.headers = headers),query = payload)    content <- web %>% content(as="text",encoding="UTF-8") %>% fromJSON() %>% `[[`(9)  }

2、执行多进程函数
方案1——使用%do%函数执行普通的向量运算

library("doParallel")      #加载doParallel包用于之后注册进程
library("foreach")         #导入foreach包

system.time({  cl<- makeCluster(4)        registerDoParallel(cl)       #进行进程注册  mydata1 <- foreach(
              i=1:16,          #输入等待请求的参数              .combine=rbind,  #返回结果的整合              .packages = c("httr", "jsonlite","magrittr") 
              #多个进程共享的系统环境  ) %dopar% GETPDF(i)  stopCluster(cl)})用户 系统 流逝 0.08 0.01 2.18

方案2——使用%dopar%函数执行多进程的运算
system.time({  cl<-makeCluster(4)  registerDoParallel(cl)  mydata2 <- foreach(i=1:16,.combine=rbind) %do% GETPDF(i)  })用户 系统 流逝 0.39 0.03 4.53
因为%do%操作是单进程的,因而即便启动多进程环境也是徒劳。

DT::datatable(mydata1)


可以看到,%dopar%操作比%do%操作仅仅节省了0.04秒左右,但是鉴于抓包的请求频率比较高,这样多进程所节省的时间效率感知不够明显。

system.time(mydata3 <- plyr::ldply(1:16,GETPDF))用户 系统 流逝 0.32 0.00 4.54

整体时间效率比较:
ldply > %do% >  %dopar%4.54  > 4.53 >  2.18

从时间效率上来看,的确节省了将近50%的时间。

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

 

GMT+8, 2018-6-25 21:25 , Processed in 0.169172 second(s), 26 queries .