R Academy · Aula

furrr: operações paralelas com purrr

Substitua diretamente map() por future_map() para paralelização imediata.

Aula 3 de 413 etapas

furrr: operações paralelas com purrr é uma aula grátis de R Academy no CoddyKit. Esta é a aula 3 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de R Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de R Academy inclui 4 aulas no total.

furrr: purrr paralelo

furrr (future + purrr) fornece substitutos paralelos diretos para todas as funções purrr::map_*(). Basta trocar map() por future_map() depois de definir um plan(), e seu fluxo de processamento será executado em paralelo sem nenhuma alteração estrutural.

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)

Especificar workers explicitamente em plan() limita o número de sessões paralelas do R. Para tarefas limitadas pela CPU, workers = parallel::detectCores() - 1 é uma convenção comum para deixar um núcleo disponível para o sistema operacional.

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 variantes tipadas

Assim como purrr, furrr fornece variantes tipadas: future_map_dbl(), future_map_int(), future_map_chr() e future_map_lgl(). Elas impõem o tipo de retorno e retornam um vetor atômico em vez de uma 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: Mapeamento com duas entradas

future_map2(.x, .y, .f) itera em paralelo sobre duas listas ou vetores, passando os pares correspondentes para a função. É o equivalente paralelo de 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: Controlando o comportamento

furrr_options() é passado como o argumento .options para qualquer chamada de future_map_*(). A configuração mais importante é seed = TRUE, que ativa o gerador de números aleatórios paralelo L'Ecuyer-CMRG para produzir números aleatórios reproduzíveis entre os trabalhadores.

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)

Relatando o progresso com progressr

O pacote progressr integra-se ao furrr para exibir barras de progresso durante a execução paralela. Envolva seu código em with_progress() e crie um progressor() dentro da função usada no mapeamento.

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)

Variáveis globais no furrr

Assim como o pacote future, o furrr detecta automaticamente as variáveis globais referenciadas dentro de .f. O senhor pode substituir esse comportamento com furrr_options(globals = c('var1', 'var2')) para especificar exatamente quais variáveis globais enviar, reduzindo a sobrecarga em ambientes grandes.

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: Mapeamento com vários argumentos

future_pmap(.l, .f) é a versão paralela de purrr::pmap(). Ela aceita uma lista de vetores/listas e passa as linhas correspondentes como argumentos nomeados, permitindo o cálculo paralelo com várias combinações de parâmetros.

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)

Comparando o desempenho de furrr e purrr

Os benefícios do paralelismo aumentam conforme o peso da tarefa. Para operações triviais (x^2), a sobrecarga predomina e a execução sequencial é mais rápida. Para tarefas pesadas, como ajustar muitos modelos, o paralelismo economiza bastante 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)

Tratamento de erros em future_map

Se o cálculo de qualquer elemento gerar um erro, future_map() será interrompido e o erro será lançado novamente. Para continuar apesar dos erros, use os encapsuladores purrr::safely() ou purrr::possibly() em torno da sua função.

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)

Fluxo de processamento prático com furrr

Aqui está um fluxo completo de ponta a ponta: carregar os dados, ajustar vários modelos em paralelo com valores de seed reproduzíveis, extrair métricas de desempenho e selecionar o melhor modelo — tudo usando o estilo do 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)

Verificação rápida

O senhor deseja números aleatórios reproduzíveis entre chamadas paralelas de future_map(). Qual configuração de furrr_options() permite isso?

Responda na aula interativa

Recapitulação: pacote furrr

Principais conclusões:

furrr é um substituto paralelo direto para purrr — basta trocar map por future_map
Defina primeiro um mecanismo com plan(multisession, workers = n)
Variantes tipadas: future_map_dbl(), future_map_int(), future_map_chr()
future_map2() e future_pmap() para mapeamento paralelo com várias entradas
furrr_options(seed = 42L) para um gerador de números aleatórios paralelo reproduzível
Integre progressr para exibir barras de progresso durante tarefas paralelas longas
Use purrr::safely() dentro de future_map() para criar fluxos de processamento resistentes a erros

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)

Grátis para começar

Aprenda R com um tutor de IA — grátis

Escreva e execute código real no seu navegador, obtenha ajuda instantânea de um tutor de IA 24/7 e continue de onde parou na web ou no app.

Cursos: 43
Aulas: 159

Começar a aprender grátis Ver o curso completo

Perguntas Frequentes

A aula “furrr: operações paralelas com purrr” é grátis?

Sim — o texto completo de “furrr: operações paralelas com purrr” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de R Academy, atualize para CoddyKit PRO. O curso de R Academy inclui 4 aulas no total.

O que vou aprender em “furrr: operações paralelas com purrr”?

Substitua diretamente map() por future_map() para paralelização imediata. Você pratica R Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.

Preciso ter experiência prévia para começar R Academy?

Nenhuma experiência prévia é necessária. R Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 3 de 4.

Quanto tempo leva a aula “furrr: operações paralelas com purrr”?

A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.

Posso escrever e executar código nesta aula de R Academy?

Sim. Cada aula de R Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.

Todas as aulas deste curso

Pacote parallel e detectCores()
O framework future
furrr: operações paralelas com purrr
Depuração e balanceamento de carga de código paralelo

← Voltar para R Academy