Parallellisering i R

Parallell programmering i R

Nabeel Imam

Data Scientist

Ett praktiskt exempel

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"
...

Tre universitetsbyggnader med examinerade studenter, vardera tilldelad en placering från ett till tre.

Lägg till en kolumn

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)
}

Profilering

Kod

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)
  }

})

Utdata

Profileringsutdata från profvis(). Från exempelkoden tar inläsning av data 40 millisekunder och ifyllning av värden i kolumnen `top100` tar 80 millisekunder. Övriga steg är nästan omedelbara.

Nu parallelliserar vi

Loopen

  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)
  }

Funktion

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)

Praktiska överväganden: antal kärnor

Identifiera kärnor

detectCores()

[1] 8

Parallelliserad kod

cl <- makeCluster(detectCores() - 2)


dummy <- parLapply(cl, file_list, add_col)

stopCluster(cl)

Praktiska överväganden: klustertyp

PSOCK-kluster (standard)

cl <- makeCluster(detectCores() - 2)

Skapar kopior av aktuell R-session
Kärnorna delar inte minne
Fungerar på alla operativsystem (Windows, Mac, Linux)

FORK-kluster

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

Skapar delprocesser från R-sessionen
Kärnorna delar minne (snabbare än PSOCK)
Fungerar inte på Windows

Nu kör vi en övning!

Parallell programmering i R