Gpu processing R（如何使用 Gpu 处理在数据集的子集上运行函数）

Question

我有一个大型数据集（大约 500 万个观察值）。观察记录了由“类型”表示的不同类型的子事件的特定事件的总收入。数据的小复制如下：

Event_ID = c(1,1,1,1,1,2,2,2,2,2,3,3,3,3)
Type=c("A","B","C","D","E","A","B","C","D","E","A","B","C","D")
Revenue1=c(24,9,51,7,22,15,86,66,0,57,44,93,34,37)
Revenue2=c(16,93,96,44,67,73,12,65,81,22,39,94,41,30)
z = data.frame(Event_ID,Type,Revenue1,Revenue2)

我想使用 GPU 内核来运行我编写的函数（我从未尝试过 GPU 处理，所以完全不知道如何开始）。实际功能需要很长时间才能运行。我在下面展示了一个非常简单的函数版本：

Total_Revenue=function(data){
  full_list=list()
  event_list=unique(data[,'Event_ID'])
  for (event in event_list){
    new_data=list()
    event_data = data[which(data$Event_ID==event),]
    for (i in 1:nrow(event_data)){
      event_data[i,'Total_Rev'] = event_data[i,'Revenue1']+event_data[i,'Revenue2'] 
      new_data=rbind(new_data,event_data[i,])
    }
  full_list=rbind(full_list,new_data)
  }
  return(full_list)
}

Total = Total_Revenue(data=z)
print(Total)

这个简化的版本功能如下：

a) 将数据集分解为子集，使得每个子集仅包含 1 个唯一事件。

b)对于每个观察，循环遍历所有观察并计算收入 1+收入 2。

c) 存储子集，最后返回新数据集。

由于我之前没有经验，所以我正在研究一些 R 包。我找到了 gpuR 包并安装了它。 但是，我很难理解如何实现它。另外问题是我的编码背景非常薄弱。在过去的一年里，我自学了一些东西。

任何帮助/线索将不胜感激。我也愿意使用任何替代包。如果我遗漏了什么，请告诉我。

附：我还使用以下命令对我的系统进行了快照：

str(gpuInfo())

我附上输出供您参考：

附言请注意，我的实际功能有点复杂和冗长，运行需要很长时间，这就是我想在这里实现 gpu 处理的原因。

Answer 1

GPU 编程不是灵丹妙药。它仅适用于某些问题。这就是为什么gpuR 包提供了 GPU 基向量和矩阵，允许使用 GPU 完成线性代数运算。如果您的问题不是线性代数问题，这将无济于事。但是，请注意，许多问题都可以通过这种方式表述。

我们无法判断您的问题是否属于这一类，因为您（可能）过度简化了代码：

> print(Total)
   Event_ID Type Revenue1 Revenue2 Total_Rev
1         1    A       24       16        40
2         1    B        9       93       102
3         1    C       51       96       147
4         1    D        7       44        51
5         1    E       22       67        89
6         2    A       15       73        88
7         2    B       86       12        98
8         2    C       66       65       131
9         2    D        0       81        81
10        2    E       57       22        79
11        3    A       44       39        83
12        3    B       93       94       187
13        3    C       34       41        75
14        3    D       37       30        67

由于Total_Rev 只是Revenue1 和Revenue2 的总和，您可以更轻松地做到这一点：

> z$Total_Rev <- z$Revenue1 + z$Revenue2
> z
   Event_ID Type Revenue1 Revenue2 Total_Rev
1         1    A       24       16        40
2         1    B        9       93       102
3         1    C       51       96       147
4         1    D        7       44        51
5         1    E       22       67        89
6         2    A       15       73        88
7         2    B       86       12        98
8         2    C       66       65       131
9         2    D        0       81        81
10        2    E       57       22        79
11        3    A       44       39        83
12        3    B       93       94       187
13        3    C       34       41        75
14        3    D       37       30        67

这是一种简单的矢量化形式，可帮助您摆脱（一些）for 循环。而且由于您的外部for 循环查看不同的Event_ID，因此研究分组和聚合技术也可能有意义。这些可以使用基础 R、data.table 包、tidyverse/dplyr 和可能的其他工具来完成。我正在使用后一种方法，因为我喜欢它的语法对新手最友好。但是，如果您有大型数据集，data.table 可能是适合您的工具。所以这里有一个非常简单的聚合，计算每个Event_ID 的平均值：

Event_ID = c(1,1,1,1,1,2,2,2,2,2,3,3,3,3)
Type=c("A","B","C","D","E","A","B","C","D","E","A","B","C","D")
Revenue1=c(24,9,51,7,22,15,86,66,0,57,44,93,34,37)
Revenue2=c(16,93,96,44,67,73,12,65,81,22,39,94,41,30)
z = data.frame(Event_ID,Type,Revenue1,Revenue2)

library(dplyr)
z %>%
  mutate(Total_Rev = Revenue1 + Revenue2) %>%
  group_by(Event_ID) %>%
  summarise(average = mean(Total_Rev))
#> # A tibble: 3 x 2
#>   Event_ID average
#>      <dbl>   <dbl>
#> 1        1    85.8
#> 2        2    95.4
#> 3        3   103