0Pricing
R Academy · Lektion

furrr: Parallele purrr-Operationen

Ersetzen Sie map() direkt durch future_map() und parallelisieren Sie Ihren Code sofort

furrr: Parallele purrr-Operationen ist eine kostenlose R Academy-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des R Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der R Academy-Kurs umfasst insgesamt 4 Lektionen.

furrr: Paralleles purrr

furrr (future + purrr) stellt direkte parallele Ersatzfunktionen für alle purrr::map_*()-Funktionen bereit. Ersetzen Sie nach dem Setzen eines plan() einfach map() durch future_map(); Ihre Pipeline läuft dann ohne strukturelle Änderungen parallel.

library(furrr)
library(future)

# Set up parallel workers
plan(multisession, workers = 4)

# Sequential (purrr)
# result <- purrr::map(1:8, ~.x^2)

# Parallel (furrr) — identical API
result <- future_map(1:8, ~.x^2)
cat(unlist(result), '\n')  # 1 4 9 16 25 36 49 64

plan(sequential)

plan(multisession, workers = 4)

Wenn Sie workers in plan() explizit angeben, begrenzen Sie die Anzahl paralleler R-Sitzungen. Für CPU-intensive Aufgaben ist workers = parallel::detectCores() - 1 eine gängige Konvention, damit ein Kern für das Betriebssystem frei bleibt.

library(furrr)
library(future)
library(parallel)

# Explicit worker count
n_workers <- max(1, detectCores() - 1)
plan(multisession, workers = n_workers)

cat('Active workers:', nbrOfWorkers(), '\n')
cat('Strategy:', class(plan())[1], '\n')

# Run a simple parallel task
results <- future_map_dbl(1:8, ~sqrt(.x))
cat(round(results, 3), '\n')

plan(sequential)

future_map_dbl und typisierte Varianten

Wie purrr stellt furrr typisierte Varianten bereit: future_map_dbl(), future_map_int(), future_map_chr() und future_map_lgl(). Sie erzwingen den Rückgabetyp und geben statt einer Liste einen atomaren Vektor zurück.

library(furrr)
plan(multisession, workers = 2)

# Returns a numeric vector
square_roots <- future_map_dbl(1:6, ~sqrt(.x))
cat('dbl:', round(square_roots, 3), '\n')

# Returns an integer vector
counts <- future_map_int(list('hello', 'world', 'R'), nchar)
cat('int:', counts, '\n')

# Returns a character vector
formatted <- future_map_chr(c(1.23, 4.56, 7.89), ~sprintf('%.1f', .x))
cat('chr:', formatted, '\n')

# Returns a logical vector
positive <- future_map_lgl(-3:3, ~.x > 0)
cat('lgl:', positive, '\n')

plan(sequential)

future_map2: Abbildung mit zwei Eingaben

future_map2(.x, .y, .f) durchläuft zwei Listen oder Vektoren parallel und übergibt die jeweils zusammengehörigen Paare an die Funktion. Die Funktion ist das parallele Gegenstück zu purrr::map2().

library(furrr)
plan(multisession, workers = 2)

# Simulate different sample sizes and means
sizes <- c(100, 200, 300, 400)
means <- c(0, 5, -3, 10)

# future_map2 passes each (n, mu) pair to rnorm
samples <- future_map2(sizes, means, ~rnorm(.x, mean = .y))

# Verify: each element has the expected length and approximate mean
for (i in seq_along(samples)) {
  cat('n=', sizes[i], 'target_mean=', means[i],
      'observed_mean=', round(mean(samples[[i]]), 2), '\n')
}

plan(sequential)

furrr_options: Verhalten steuern

furrr_options() wird als Argument .options an jeden Aufruf von future_map_*() übergeben. Die wichtigste Einstellung ist seed = TRUE; sie aktiviert den parallelen L'Ecuyer-CMRG-Zufallszahlengenerator und sorgt für reproduzierbare Zufallszahlen über mehrere Worker hinweg.

library(furrr)
plan(multisession, workers = 2)

# Without seed: results differ each run
r1 <- future_map_dbl(1:4, ~rnorm(1))
r2 <- future_map_dbl(1:4, ~rnorm(1))
cat('Without seed - same?', identical(r1, r2), '\n')

# With seed: reproducible
opts <- furrr_options(seed = 42L)
r3 <- future_map_dbl(1:4, ~rnorm(1), .options = opts)
r4 <- future_map_dbl(1:4, ~rnorm(1), .options = opts)
cat('With seed - same?', identical(r3, r4), '\n')
cat('r3:', round(r3, 4), '\n')

plan(sequential)

Fortschritt mit progressr anzeigen

Das Paket progressr lässt sich in furrr integrieren, um während der parallelen Ausführung Fortschrittsbalken anzuzeigen. Umschließen Sie Ihren Code mit with_progress() und erstellen Sie innerhalb der gemappten Funktion einen progressor().

library(furrr)
library(progressr)
plan(multisession, workers = 2)

# Enable progress reporting
handlers(global = TRUE)  # show progress in console

with_progress({
  p <- progressor(steps = 8)

  results <- future_map(1:8, function(i) {
    p()  # increment the progress bar
    Sys.sleep(0.1)
    i^2
  })
})

cat('Results:', unlist(results), '\n')

plan(sequential)

Globale Variablen in furrr

Wie das Paket future erkennt furrr automatisch globale Variablen, auf die innerhalb von .f zugegriffen wird. Sie können dieses Verhalten mit furrr_options(globals = c('var1', 'var2')) überschreiben und so genau festlegen, welche globalen Variablen übertragen werden sollen. Das reduziert den Overhead bei großen Umgebungen.

library(furrr)
plan(multisession, workers = 2)

# Global variables auto-detected
scale_factor <- 10
offset <- 5

result <- future_map_dbl(
  1:6,
  function(x) x * scale_factor + offset
)
cat(result, '\n')  # 15 25 35 45 55 65

# Explicit globals control
opts <- furrr_options(
  globals = c('scale_factor', 'offset'),
  seed = FALSE
)
result2 <- future_map_dbl(
  1:6,
  function(x) x * scale_factor + offset,
  .options = opts
)
cat('Manual globals:', result2, '\n')

plan(sequential)

future_pmap: Abbildung mit mehreren Argumenten

future_pmap(.l, .f) ist die parallele Variante von purrr::pmap(). Die Funktion akzeptiert eine Liste von Vektoren oder Listen und übergibt die entsprechenden Zeilen als benannte Argumente. So werden Berechnungen über mehrere Parameterkombinationen hinweg parallel ausgeführt.

library(furrr)
plan(multisession, workers = 2)

# Parameter grid
params <- list(
  n    = c(50, 100, 150, 200),
  mean = c(0, 1, 2, 3),
  sd   = c(1, 2, 1, 0.5)
)

# future_pmap passes each row as arguments to rnorm
samples <- future_pmap(params, function(n, mean, sd) {
  x <- rnorm(n, mean = mean, sd = sd)
  c(obs_mean = round(mean(x), 3), obs_sd = round(sd(x), 3))
})

for (i in seq_along(samples)) {
  cat('n=', params$n[i], ':', samples[[i]], '\n')
}

plan(sequential)

furrr und purrr benchmarken

Der Nutzen der Parallelisierung steigt mit dem Rechenaufwand der Aufgaben. Bei trivialen Operationen wie x^2 dominiert der Overhead, sodass die sequenzielle Ausführung schneller ist. Bei aufwendigen Aufgaben wie dem Anpassen vieler Modelle spart die Parallelisierung erheblich Zeit.

library(furrr)
library(purrr)
plan(multisession, workers = 4)

# Heavy task: bootstrap a linear model 100 times
heavy <- function(i) {
  n <- 200
  df <- data.frame(x = rnorm(n), y = rnorm(n))
  coef(lm(y ~ x, data = df))[['x']]
}

seq_time <- system.time(map_dbl(1:40, heavy))[['elapsed']]
par_time <- system.time(
  future_map_dbl(1:40, heavy, .options = furrr_options(seed = TRUE))
)[['elapsed']]

cat('Sequential:', round(seq_time, 2), 's\n')
cat('Parallel:  ', round(par_time, 2), 's\n')
cat('Speedup:   ', round(seq_time / max(par_time, 0.001), 2), 'x\n')

plan(sequential)

Fehlerbehandlung in future_map

Wenn die Berechnung eines Elements einen Fehler auslöst, bricht future_map() ab und löst den Fehler erneut aus. Um trotz Fehlern fortzufahren, verwenden Sie Wrapper wie purrr::safely() oder purrr::possibly() um Ihre Funktion.

library(furrr)
library(purrr)
plan(multisession, workers = 2)

# Wrap with safely() to capture errors as results
safe_log <- safely(log, otherwise = NA_real_)

inputs <- list(10, -1, 100, 'text', 0.5)
results <- future_map(inputs, safe_log)

for (i in seq_along(results)) {
  if (is.null(results[[i]]$error)) {
    cat('Input', i, '-> result:', round(results[[i]]$result, 4), '\n')
  } else {
    cat('Input', i, '-> error:', conditionMessage(results[[i]]$error), '\n')
  }
}

plan(sequential)

Praktische furrr-Pipeline

Hier sehen Sie eine vollständige Pipeline von Anfang bis Ende: Daten laden, mehrere Modelle mit reproduzierbaren Seeds parallel anpassen, Leistungskennzahlen extrahieren und das beste Modell auswählen – alles im furrr-Stil.

library(furrr)
library(purrr)
plan(multisession, workers = 4)

set.seed(1)
n <- 300
df <- data.frame(
  x1 = rnorm(n), x2 = rnorm(n), x3 = rnorm(n),
  y  = rnorm(n)
)

formulas <- list(
  y ~ x1,
  y ~ x1 + x2,
  y ~ x1 + x2 + x3,
  y ~ x1 * x2
)

# Fit all models in parallel
models <- future_map(
  formulas,
  ~lm(.x, data = df),
  .options = furrr_options(seed = FALSE)
)

# Extract adjusted R-squared
adj_r2 <- map_dbl(models, ~summary(.x)$adj.r.squared)
cat('Adjusted R2 per model:',
    paste(round(adj_r2, 4), collapse = ', '), '\n')
cat('Best model:', which.max(adj_r2), '\n')

plan(sequential)

Kurze Überprüfung

Sie möchten reproduzierbare Zufallszahlen über parallele Aufrufe von future_map() hinweg erhalten. Welche Einstellung von furrr_options() bewirkt dies?

Zusammenfassung: furrr-Paket

Wichtigste Erkenntnisse:

  • furrr ist ein direkter paralleler Ersatz für purrr – ersetzen Sie einfach map durch future_map
  • Legen Sie zuerst ein Backend mit plan(multisession, workers = n) fest
  • Typisierte Varianten: future_map_dbl(), future_map_int(), future_map_chr()
  • future_map2() und future_pmap() für parallele Abbildungen mit mehreren Eingaben
  • furrr_options(seed = 42L) für reproduzierbare parallele Zufallszahlen
  • Integrieren Sie progressr, um bei langen parallelen Aufgaben Fortschrittsbalken anzuzeigen
  • Verwenden Sie purrr::safely() innerhalb von future_map(), um robuste Pipelines zu erstellen
library(furrr)
plan(multisession, workers = 2)

results <- future_map_dbl(
  1:6,
  ~.x^2 + sqrt(.x),
  .options = furrr_options(seed = TRUE)
)
cat(round(results, 3), '\n')

plan(sequential)

Häufig gestellte Fragen

Ist die Lektion „furrr: Parallele purrr-Operationen“ kostenlos?

Ja — der vollständige Text von „furrr: Parallele purrr-Operationen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des R Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der R Academy-Kurs umfasst insgesamt 4 Lektionen.

Was lerne ich in „furrr: Parallele purrr-Operationen“?

Ersetzen Sie map() direkt durch future_map() und parallelisieren Sie Ihren Code sofort Du übst R Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.

Brauche ich Erfahrung, um R Academy zu starten?

Keine Vorkenntnisse erforderlich. R Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.

Wie lange dauert die Lektion „furrr: Parallele purrr-Operationen“?

Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.

Kann ich in dieser R Academy-Lektion Code schreiben und ausführen?

Ja. Jede R Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.

Alle Lektionen in diesem Kurs

  1. Paket parallel und detectCores()
  2. Das Framework future
  3. furrr: Parallele purrr-Operationen
  4. Parallelen Code debuggen und Lasten verteilen
← Zurück zu R Academy