Futures

Parallel programmeren in R

Nabeel Imam

Data Scientist

De veeleisende baas

Een man in pak spreekt in een megafoon.

Directe uitvoering

report <- "<important report text>"

task <- {
  print("Hoi, hier is het rapport.") # Email-tekst
  report
}

"Hoi, hierbij het rapport in de bijlage."

task

"<belangrijke rapporttekst>"

Uitgestelde uitvoering

library(future)


task_future <- future({
  print("Hoi, hier is het rapport.")
  report
})

Uitgestelde uitvoering

print(task_future)

Expression: {
print("Hoi, hier is het rapport.")
report
}

Environment: R_GlobalEnv

Resolved: TRUE

Value: 136 bytes of class "character"
...

De code of het "hoe" van de taak

De omgeving of context van de taak
Klaar? Lijkt van wel!
Beschrijving van de uitkomst

Uitgestelde uitvoering

value(task_future)

[1] "Hoi, hier is het rapport."
[1] "<belangrijke rapporttekst>"

Een team werknemers

Een team werknemers krijgt taken van hun manager.

¹ Ontworpen door Freepik

Een team werknemers

task1 <- future({
  print("Hoi, hier is het rapport.")
  report
})

task2 <- future({
  run_analysis()
  print("Analyse klaar")
})

task3 <- future({
  book_meeting_rooms()
  print("Vergaderruimtes geboekt!")
})

value(task1) # 10:00 Office Assistant

[1] "Hoi, hier is het rapport."
[1] "<belangrijke rapporttekst>"

value(task3) # 11:00 Office Assistant

"Vergaderruimtes geboekt!"

value(task2) # 15:00 Analist

"Analyse klaar"

Voortschrijdend gemiddelde met futures

print(amazon_prices)

 [1] 312.58 307.01 302.24
 [4] 297.50 300.32 301.48
 [7] 297.56 297.48 291.93
[10] 294.00 286.28 292.59
...

ma <- future({moving_average(amazon_prices)})

moving_average <- function (prices) {

  N <- length(prices) - 2
  moving_avgs <- rep(NA, N)

  for (i in 1:N) {
    moving_avgs[i] <- mean(prices[i: (i + 2)])
  }

  return(moving_avgs)
}

Voortschrijdend gemiddelde met futures

ggplot() +
  geom_line(aes(x = 1:(length(amazon_prices) - 2),
                y = value(ma))) + # Waarde van futures is hier nodig
  labs(y = "Voortschrijdend gemiddelde (USD)", x = "Dagen")

Een lijngrafiek van het voortschrijdend gemiddelde van de Amazon-koers gedurende één maand.

Parallelle futures

print(amazon_list)

$`2015-01`
 [1] 312.58 307.01 302.24
 [4] 297.50 300.32 301.48
 ...
$`2015-02`
 [1] 350.05 360.29 358.38
 [4] 366.00 374.87 371.00
 ...
$`2015-03`
 [1] 380.85 383.95 385.71
 [4] 385.61 385.52 378.40
 ...
...

moving_average <- function (prices) {

  N <- length(prices) - 2
  moving_avgs <- rep(NA, N)

  for (i in 1:N) {
    moving_avgs[i] <- mean(prices[i: (i + 2)])
  }

  return(moving_avgs)
}

Parallelle futures

plan(multisession, workers = 4)


ma <- lapply(amazon_list,
            function (x) {
              future(moving_average(x))
              })

Gebruik vier worker-cores in multisession
Maak één future-taak per element van amazon_list
- Futures onder multisession worden parallel uitgevoerd

Parallelle futures

value(ma)


plan(sequential)

$`2015-01`
 [1] 307.2767 302.2500 300.0200 299.7667 299.7867 298.8400 295.6567 ...
$`2015-02`
 [1] 356.2400 361.5567 366.4167 370.6233 372.3533 371.1400 372.5067 ...
$`2015-03`
 [1] 383.5033 385.0900 385.6133 383.1767 380.4567 375.4867 372.2933 ...
...

Waarom future?

Sequentieel

plan(sequential)

ma <- lapply(amazon_list,
             function (x) {
               future(moving_average(x))
               })

value(ls)

Parallel

plan(multisession, workers = 4)

ls <- lapply(amazon_list,
             function (x) {
               future(moving_average(x))
               })

value(ls)

plan(sequential)

Laten we oefenen!

Parallel programmeren in R