Paralelizace v R

Paralelní programování v R

Nabeel Imam

Data Scientist

Praktický příklad

Data

print(file_list)

 [1] "./uni_data_country/Argentina.csv"
 [2] "./uni_data_country/Armenia.csv"
 [3] "./uni_data_country/Australia.csv"
 [4] "./uni_data_country/Austria.csv"
 [5] "./uni_data_country/Azerbaijan.csv"
 [6] "./uni_data_country/Bahrain.csv"
 [7] "./uni_data_country/Bangladesh.csv"
 [8] "./uni_data_country/Belarus.csv"
 [9] "./uni_data_country/Belgium.csv"
[10] "./uni_data_country/Bolivia.csv"
...

Tři budovy univerzit s absolventy, z nichž každý má přiřazeno pořadí od jedné do tří.

Přidání sloupce

for (file in file_list) {

  df <- read.csv(file)


  df$top100 <- NA

  for (r in 1:nrow(df)) {
    df$top100[r] <- df$world_rank[r] <= 100
  }


  write.csv(df, file)
}

Profilování

Kód

library(profvis)


profvis({

  for (file in file_list) {

    df <- read.csv(file)
    df$top100 <- NA

    for (r in 1:nrow(df)) {
      df$top100[r] <- df$Rank[r] <= 100
    }
    write.csv(df, file)
  }

})

Výstup

Výstup profilování z profvis(). Čtení dat trvá 40 milisekund, doplnění hodnot sloupce `top100` trvá 80 milisekund. Ostatní kroky jsou téměř okamžité.

Paralelizujme kód

Smyčka

  for (file in file_list) {

    df <- read.csv(file)
    df$top100 <- NA

    for (r in 1:nrow(df)) {
      df$top100[r] <- df$Rank[r] <= 100
    }
    write.csv(df, file)
  }

Funkce

add_col <- function(file_path) {

  df <- read.csv(file_path)
  df$top100 <- NA

  for (r in 1:nrow(df)) {
    df$top100[r] <- df$Rank[r] <= 100
  }
  write.csv(df, file_path)
}


cl <- makeCluster(6)

dummy <- parLapply(cl, file_list, add_col)
stopCluster(cl)

Praktické aspekty: počet jader

Zjištění počtu jader

detectCores()

[1] 8

Paralelizovaný kód

cl <- makeCluster(detectCores() - 2)


dummy <- parLapply(cl, file_list, add_col)

stopCluster(cl)

Praktické aspekty: typ clusteru

Cluster PSOCK (výchozí)

cl <- makeCluster(detectCores() - 2)

Vytváří kopie aktuální relace R
Jádra nesdílejí paměť
Funguje na všech OS (Windows, Mac, Linux)

Cluster FORK

cl <- makeCluster(detectCores() - 2,
                  type = "FORK")

Vytváří podprocesy z relace R
Jádra sdílejí paměť (rychlejší než PSOCK)
Nefunguje na Windows

Pojďme cvičit!

Paralelní programování v R