Paralelizare în R

Programare paralelă în R

Nabeel Imam

Data Scientist

Un exemplu practic

Datele

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"
...

Trei clădiri universitare cu studenți absolvenți, fiecare cu un rang de la unu la trei.

Adăugarea unei coloane

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)
}

Profilare

Cod

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)
  }

})

Rezultat

Rezultatul profilării din profvis(). Citirea datelor durează 40 de milisecunde, iar completarea coloanei `top100` durează 80 de milisecunde. Ceilalți pași sunt aproape instantanei.

Să paralelizăm

Bucla

  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)
  }

Funcție

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)

Considerații practice: numărul de nuclee

Detectarea nucleelor

detectCores()

[1] 8

Cod paralelizat

cl <- makeCluster(detectCores() - 2)


dummy <- parLapply(cl, file_list, add_col)

stopCluster(cl)

Considerații practice: tipul de cluster

Cluster PSOCK (implicit)

cl <- makeCluster(detectCores() - 2)

Creează copii ale sesiunii R curente
Nucleele nu partajează memoria
Funcționează pe orice SO (Windows, Mac, Linux)

Cluster FORK

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

Creează subprocese din sesiunea R
Nucleele partajează memoria (mai rapid decât PSOCK)
Nu funcționează pe Windows

Să exersăm!

Programare paralelă în R