如何在 R 并行计算中使用 Reduce() 函数？

Question

我想将Reduce 代码运行到out1 66000 个列表元素的列表：

trialStep1_done <- Reduce(rbind, out1)

但是，运行时间太长。我想知道是否可以在并行计算包的帮助下运行此代码。

我知道有mclapply，mcMap，但是我在并行计算包中没有看到像mcReduce这样的功能。

是否有类似 mcReduce 的函数可用于在 R 中并行执行 Reduce 以完成我想做的任务？

非常感谢@BrodieG 和@zheYuan Li，您的回答很有帮助。我认为下面的代码示例可以更准确地代表我的问题：

df1 <- data.frame(a=letters, b=LETTERS, c=1:26 %>% as.character())
set.seed(123)
df2 <- data.frame(a=letters %>% sample(), b=LETTERS %>% sample(), c=1:26 %>% sample() %>% as.character())
set.seed(1234)
df3 <- data.frame(a=letters %>% sample(), b=LETTERS %>% sample(), c=1:26 %>% sample() %>% as.character())
out1 <- list(df1, df2, df3)

# I don't know how to rbind() the list elements only using matrix()
# I have to use lapply() and Reduce() or do.call()
out2 <- lapply(out1, function(x) matrix(unlist(x), ncol = length(x), byrow = F))

Reduce(rbind, out2)
do.call(rbind, out2)
# One thing is sure is that `do.call()` is super faster than `Reduce()`, @BordieG's answer helps me understood why. 

所以，此时，对于我的 200000 行数据集，do.call() 很好地解决了问题。

最后，我想知道这是否是一种更快的方法？或者@ZheYuanLi 用matrix() 演示的方式在这里可以实现吗？

Answer 1

问题不是rbind，问题是Reduce。不幸的是，R 中的函数调用很昂贵，尤其是当您不断创建新对象时。在这种情况下，您调用rbind 65999 次，每次您创建一个新的 R 对象并添加一行。相反，您可以使用 66000 个参数调用 rbind 一次，这将更快，因为在内部 rbind 将在 C 中进行绑定，而无需调用 R 函数 66000 次并且只分配一次内存。在这里，我们将您使用的Reduce 与哲元的矩阵/unlist 进行比较，最后将rbind 与do.call 调用一次（do.call 允许您调用一个函数并将所有参数指定为列表）：

out1 <- replicate(1000, 1:20, simplify=FALSE)  # use 1000 elements for illustrative purposes

library(microbenchmark)    
microbenchmark(times=10,
  a <- do.call(rbind, out1),
  b <- matrix(unlist(out1), ncol=20, byrow=TRUE),
  c <- Reduce(rbind, out1)
)
# Unit: microseconds
#                                                expr        min         lq
#                           a <- do.call(rbind, out1)    469.873    479.815
#  b <- matrix(unlist(out1), ncol = 20, byrow = TRUE)    257.263    260.479
#                            c <- Reduce(rbind, out1) 110764.898 113976.376
all.equal(a, b, check.attributes=FALSE)
# [1] TRUE
all.equal(b, c, check.attributes=FALSE)
# [1] TRUE

Zheyuan 是最快的，但就所有意图和目的而言，do.call(rbind()) 方法非常相似。

Answer 2

1. 速度很慢，因为您反复致电rbind。每次调用时，随着对象维度的增加，都必须进行新的内存分配。
2. 您的工作受内存限制，您不会从并行性中受益。在多核机器上，并行处理仅对 CPU 密集型任务有用。

如果我没有误会，你应该使用这个：

trialStep1_done <- matrix(unlist(out1), nrow = length(out1), byrow = TRUE)

例子：

out1 <- list(1:4, 11:14, 21:24, 31:34)

#> str(out1)
#List of 4
# $ : int [1:4] 1 2 3 4
# $ : int [1:4] 11 12 13 14
# $ : int [1:4] 21 22 23 24
# $ : int [1:4] 31 32 33 34

trialStep1_done <- matrix(unlist(out1), nrow = length(out1), byrow = TRUE)

#> trialStep1_done
#     [,1] [,2] [,3] [,4]
#[1,]    1    2    3    4
#[2,]   11   12   13   14
#[3,]   21   22   23   24
#[4,]   31   32   33   34

---

感谢@BrodieG 的出色解释和基准测试结果！

我也在我的笔记本电脑上尝试了基准测试，使用与 @BrodieG 完全相同的代码，这就是我得到的：

Unit: microseconds
                                               expr      min       lq      mean
                          a <- do.call(rbind, out1)   653.60   670.36   900.120
 b <- matrix(unlist(out1), ncol = 20, byrow = TRUE)   170.16   177.60   224.036
                           c <- Reduce(rbind, out1) 65589.48 67519.32 72317.812
   median       uq       max neval
   745.54   832.36   2352.28    10
   183.98   286.84    385.96    10
 68897.36 69372.88 108135.96    10