R语言的并行运算(CPU多核)

通常R语言运行都是在CPU单个核上的单线程程序。有时我们会有需求对一个向量里的元素应用相同的函数，最终再将结果合并，并行计算可以大幅节约时间。

为了支持R的并行运算, parallel包已经被纳入了R的BASE库中，可以被直接调用，来实现在同一个CPU上利用多个核Core同时运算相同的函数。

 

版本一、Window版本的R程序

对比普通的LAPPLY函数和Parallel包下的多核makeCluster + parLapply函数效率

library(parallel) fun <- function(x){ return (x+1); } funcTwoPara< -function (x,a){      return (x+a); }   #单核的普通LAPPLY函数 system.time({ res <- lapply(1:5000000, fun); }); # 用户  系统  流逝 # 20.91  0.03 21.35 # 超过一个参数的 Function模型 x=c(1:500) system.time({ res <- lapply(x,funcTwoPara,a=1); });   #多核的 MakeCluster 函数，这里利用了本机CPU的2个物理核心同时跑程序 detectCores()   # 4 core detectCores(logical = F)  # 2 core 物理核心 cl <- makeCluster(getOption( "cl.cores" , 4)); system.time({ res <- parLapply(cl, 1:10000000,  fun) }); stopCluster(cl);

 

版本二、Linux版本的R程序

 

library(parallel) fun <- function(x){ return (x+1); } # 单核计算 system.time({ res <- lapply(1:5000000, fun); });   # 多核并行计算 detectCores(logical = F)  # 8 mc <- getOption( "mc.cores" , 8) system.time({ res <- mclapply(1:5000000, fun, mc.cores = mc); }); stopCluster(mc);   # 8核的 结果 user  system elapsed    7.175   1.187   3.416 # 4核的结果 user  system elapsed   13.415   1.443   8.946 # 2核的结果 user  system elapsed   16.882   1.726   8.139 # 单核 计算 结果   user  system elapsed   16.760   0.039  16.807

 

Reference：

http://blog.sina.com.cn/s/blog_6f194ed30101blpu.html

http://blog.itpub.net/24229571/viewspace-1120592/

转载于:https://www.cnblogs.com/xinping-study/p/6897891.html