0Pricing
R Academy · Lezione

furrr: operazioni parallele di purrr

Sostituisca direttamente map() con future_map() per parallelizzare immediatamente le operazioni

furrr: operazioni parallele di purrr è una lezione R Academy gratuita su CoddyKit. Questa è la lezione 3 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento R Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso R Academy include 4 lezioni in totale.

furrr: purrr parallelo

furrr (future + purrr) fornisce sostituti paralleli compatibili direttamente con tutte le funzioni purrr::map_*(). È sufficiente sostituire map() con future_map() dopo aver impostato un plan(): la pipeline viene eseguita in parallelo senza modifiche strutturali.

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)

Specificare esplicitamente workers in plan() limita il numero di sessioni R parallele. Per le attività vincolate dalla CPU, workers = parallel::detectCores() - 1 è una convenzione comune per lasciare un core al sistema operativo.

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 e varianti tipizzate

Come purrr, furrr fornisce varianti tipizzate: future_map_dbl(), future_map_int(), future_map_chr() e future_map_lgl(). Queste impongono il tipo restituito e producono un vettore atomico anziché una lista.

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: mappatura con due input

future_map2(.x, .y, .f) itera in parallelo su due liste o vettori, passando alla funzione le coppie corrispondenti. È l'equivalente parallelo di 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: controllo del comportamento

furrr_options() viene passato come argomento .options a qualsiasi chiamata future_map_*(). L'impostazione più importante è seed = TRUE, che attiva il generatore di numeri casuali parallelo L'Ecuyer-CMRG per ottenere numeri casuali riproducibili tra i worker.

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)

Visualizzazione dell'avanzamento con progressr

Il pacchetto progressr si integra con furrr per visualizzare barre di avanzamento durante l'esecuzione parallela. Racchiuda il codice in with_progress() e crei un progressor() all'interno della funzione mappata.

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)

Variabili globali in furrr

Come il pacchetto future, furrr rileva automaticamente le variabili globali a cui si fa riferimento all'interno di .f. È possibile sovrascrivere questo comportamento con furrr_options(globals = c('var1', 'var2')) per specificare esattamente quali variabili globali inviare, riducendo l'overhead per gli ambienti di grandi dimensioni.

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: mappatura con più argomenti

future_pmap(.l, .f) è la versione parallela di purrr::pmap(). Accetta una lista di vettori o liste e passa alla funzione le righe corrispondenti come argomenti denominati, consentendo il calcolo parallelo su più combinazioni di parametri.

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)

Benchmark di furrr e purrr

I vantaggi del parallelismo aumentano con il carico delle attività. Per operazioni banali come x^2, l'overhead prevale e l'esecuzione sequenziale è più rapida. Per attività pesanti, come l'adattamento di molti modelli, il parallelismo consente di risparmiare molto tempo.

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)

Gestione degli errori in future_map

Se il calcolo di un elemento genera un errore, future_map() si interrompe e lo genera nuovamente. Per continuare nonostante gli errori, usi i wrapper purrr::safely() o purrr::possibly() intorno alla funzione.

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)

Pipeline furrr pratica

Ecco una pipeline completa dall'inizio alla fine: caricare i dati, adattare più modelli in parallelo con seed riproducibili, estrarre le metriche delle prestazioni e selezionare il modello migliore, tutto usando l'idioma furrr.

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)

Verifica rapida

Desidera ottenere numeri casuali riproducibili tra chiamate parallele a future_map(). Quale impostazione di furrr_options() lo consente?

Riepilogo: pacchetto furrr

Punti chiave:

  • furrr è un sostituto parallelo direttamente compatibile con purrr: basta sostituire map con future_map
  • Imposti prima un backend con plan(multisession, workers = n)
  • Varianti tipizzate: future_map_dbl(), future_map_int(), future_map_chr()
  • future_map2() e future_pmap() per la mappatura parallela con più input
  • furrr_options(seed = 42L) per un generatore di numeri casuali parallelo riproducibile
  • Integri progressr per visualizzare barre di avanzamento durante i processi paralleli lunghi
  • Usi purrr::safely() all'interno di future_map() per pipeline resilienti agli errori
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)

Domande Frequenti

La lezione «furrr: operazioni parallele di purrr» è gratuita?

Sì — il testo completo di «furrr: operazioni parallele di purrr» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso R Academy, passa a CoddyKit PRO. Il corso R Academy include 4 lezioni in totale.

Cosa imparerò in «furrr: operazioni parallele di purrr»?

Sostituisca direttamente map() con future_map() per parallelizzare immediatamente le operazioni Eserciti R Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.

Ho bisogno di esperienza per iniziare R Academy?

Non è richiesta alcuna esperienza precedente. R Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 3 di 4.

Quanto tempo richiede la lezione «furrr: operazioni parallele di purrr»?

La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.

Posso scrivere ed eseguire codice in questa lezione R Academy?

Sì. Ogni lezione R Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.

Tutte le lezioni di questo corso

  1. Pacchetto parallel e detectCores()
  2. Il framework future
  3. furrr: operazioni parallele di purrr
  4. Debugging e bilanciamento del carico nel codice parallelo
← Torna a R Academy