แพ็กเกจ parallel - parSapply

การเขียน R Code อย่างมีประสิทธิภาพ

Colin Gillespie

Jumping Rivers & Newcastle University

ตระกูล apply

มีเวอร์ชันแบบขนานของ

apply()- parApply()
sapply()- parSapply()
- ใช้ฟังก์ชันกับเวกเตอร์ เช่นเดียวกับ for loop
lapply()- parLapply()
- ใช้ฟังก์ชันกับลิสต์

ฟังก์ชัน sapply()

sapply() คือวิธีเขียน for loop อีกแบบหนึ่ง

ลูป

for(i in 1:10)
    x[i] <- simulate(i)

เขียนใหม่ได้เป็น

sapply(1:10, simulate)

เราใช้ฟังก์ชันกับแต่ละค่าในเวกเตอร์

เปลี่ยนไปใช้ parSapply()

ใช้สูตรเดิม!

โหลดแพ็กเกจ
สร้างคลัสเตอร์
เปลี่ยนไปใช้ parSapply()
หยุด!

ตัวอย่าง: การต่อสู้ของโปเกมอน

plot(pokemon$Defense, pokemon$Attack)
abline(lm(pokemon$Attack ~ pokemon$Defense), col = 2)
cor(pokemon$Attack, pokemon$Defense)

0.437

Bootstrapping

ในอุดมคติ เราควรสุ่มตัวอย่างจาก ประชากร ทั้งหมด แต่ทำไม่ได้

แทนที่ เราสมมติว่าตัวอย่างเดิมแทนประชากรได้

สุ่มตัวอย่างแบบ มีการคืนค่า จากข้อมูลของคุณ
- จุดเดิมอาจถูกเลือกซ้ำได้
คำนวณค่าสถิติสหสัมพันธ์จากตัวอย่างใหม่
ทำซ้ำ

Bootstrap ครั้งเดียว

bootstrap <- function(data_set) {
    # Sample with replacement
    s <- sample(1:nrow(data_set), replace = TRUE)
    new_data <- data_set[s,]

    # Calculate the correlation
    cor(new_data$Attack, new_data$Defense)
}

# 100 independent bootstrap simulations
sapply(1:100, function(i) bootstrap(pokemon))

แปลงเป็นแบบขนาน

โหลดแพ็กเกจ
ระบุจำนวนคอร์
สร้างออบเจกต์คลัสเตอร์
ส่งออกฟังก์ชัน/ข้อมูล
เปลี่ยนไปใช้ parSapply()
หยุด!

library("parallel")

no_of_cores <- 7

cl <- makeCluster(no_of_cores)

clusterExport(cl,
  c("bootstrap", "pokemon"))

parSapply(cl, 1:100,
  function(i) bootstrap(pokemon))

stopCluster(cl)

เวลาที่ใช้

มาฝึกกันเถอะ!

การเขียน R Code อย่างมีประสิทธิภาพ