Parallélisation en R

Programmation parallèle en R

Nabeel Imam

Data Scientist

Un exemple pratique

Les données

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"
...

Trois bâtiments universitaires avec des finissant·e·s, chacun classé de un à trois.

Ajouter une colonne

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)
}

Profilage

Code

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)
  }

})

Résultat

Sortie de profilage de profvis(). D'après l'exemple, la lecture prend 40 millisecondes et le remplissage de la colonne `top100` prend 80 millisecondes. Les autres étapes sont quasi instantanées.

Parallélisons

La boucle

  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)
  }

Fonction

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)

Aspects pratiques : nombre de cœurs

Détection des cœurs

detectCores()

[1] 8

Code parallélisé

cl <- makeCluster(detectCores() - 2)


dummy <- parLapply(cl, file_list, add_col)

stopCluster(cl)

Aspects pratiques : type de grappe

Grappes PSOCK (par défaut)

cl <- makeCluster(detectCores() - 2)

Crée des copies de la session R actuelle
Les cœurs ne partagent pas la mémoire
Fonctionne sur tout OS (Windows, Mac, Linux)

Grappes FORK

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

Crée des sous-processus à partir de la session R
Les cœurs partagent la mémoire (plus rapide que PSOCK)
Ne fonctionne pas sous Windows

Passons à la pratique !

Programmation parallèle en R