furrr：并行执行 purrr 操作
使用 future_map() 直接替换 map()，立即实现并行化
furrr：并行执行 purrr 操作 是 CoddyKit 上的免费 R Academy 课时。 这是第 3 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 R Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 R Academy 课程共包含 4 节课。
furrr：并行 purrr
furrr（future + purrr）为所有 purrr::map_*() 函数提供了可直接替换的并行版本。设置好 plan() 后，只需将 map() 替换为 future_map()，处理流程无需任何结构性改动即可并行运行。
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)
在 plan() 中明确指定 workers，可以限制并行 R 会话的数量。对于受 CPU 限制的任务，通常使用 workers = parallel::detectCores() - 1，以便为操作系统留出一个核心。
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 与类型变体
与 purrr 类似，furrr 提供了类型变体：future_map_dbl()、future_map_int()、future_map_chr() 和 future_map_lgl()。它们会强制统一返回类型，并返回原子向量而不是列表。
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：双输入映射
future_map2(.x, .y, .f) 会并行遍历两个列表或向量，并将对应的元素对传递给函数。它是 purrr::map2() 的并行版本。
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：控制行为
furrr_options() 作为 .options 参数传递给任意 future_map_*() 调用。最重要的设置是 seed = TRUE，它会启用 L'Ecuyer-CMRG 并行随机数生成器，从而确保不同工作进程生成可复现的随机数。
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)使用 progressr 报告进度
progressr 包可以与 furrr 集成，在并行执行期间显示进度条。请将代码放在 with_progress() 中，并在映射函数内部创建一个 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)furrr 中的全局变量
与 future 包类似，furrr 会自动检测 .f 内部引用的全局变量。您可以使用 furrr_options(globals = c('var1', 'var2')) 覆盖此行为，明确指定要发送的全局变量，从而减少大型环境带来的开销。
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：多参数映射
future_pmap(.l, .f) 是 purrr::pmap() 的并行版本。它接收一个由向量或列表组成的列表，并将对应的行作为带名称的参数传递，从而可以针对多种参数组合进行并行计算。
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$n[i], ':', samples[[i]], '\n')
}
plan(sequential)furrr 与 purrr 的基准测试
并行化带来的收益取决于任务的计算量。对于简单操作（x^2），开销占主导地位，顺序执行反而更快。对于拟合许多模型等繁重任务，并行执行可以节省大量时间。
library(furrr)
library(purrr)
plan(multisession, workers = 4)
# Heavy task: bootstrap a linear model 100 times
heavy <- function(i) {
n <- 200
df <- data.frame(x = rnorm(n), y = rnorm(n))
coef(lm(y ~ x, data = df))[['x']]
}
seq_time <- system.time(map_dbl(1:40, heavy))[['elapsed']]
par_time <- system.time(
future_map_dbl(1:40, heavy, .options = furrr_options(seed = TRUE))
)[['elapsed']]
cat('Sequential:', round(seq_time, 2), 's\n')
cat('Parallel: ', round(par_time, 2), 's\n')
cat('Speedup: ', round(seq_time / max(par_time, 0.001), 2), 'x\n')
plan(sequential)future_map 中的错误处理
如果任一元素的计算抛出错误，future_map() 会停止并再次抛出该错误。若要在出现错误时继续运行，请在函数外使用 purrr::safely() 或 purrr::possibly() 包装器。
library(furrr)
library(purrr)
plan(multisession, workers = 2)
# Wrap with safely() to capture errors as results
safe_log <- safely(log, otherwise = NA_real_)
inputs <- list(10, -1, 100, 'text', 0.5)
results <- future_map(inputs, safe_log)
for (i in seq_along(results)) {
if (is.null(results[[i]]$error)) {
cat('Input', i, '-> result:', round(results[[i]]$result, 4), '\n')
} else {
cat('Input', i, '-> error:', conditionMessage(results[[i]]$error), '\n')
}
}
plan(sequential)实用的 furrr 处理流程
下面是一个完整的端到端处理流程：加载数据，使用可复现的随机种子并行拟合多个模型，提取性能指标，然后选出最佳模型——全部采用 furrr 风格。
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)快速检查
您希望在并行调用 future_map() 时生成可复现的随机数。应该设置 furrr_options() 中的哪个选项？
回顾：furrr 包
要点：
furrr是purrr的可直接替换的并行版本——只需将map替换为future_map- 首先使用
plan(multisession, workers = n)设置后端 - 类型变体包括：
future_map_dbl()、future_map_int()、future_map_chr() - 使用
future_map2()和future_pmap()进行多输入并行映射 - 使用
furrr_options(seed = 42L)生成可复现的并行随机数 - 集成
progressr，在长时间并行任务期间显示进度条 - 在
future_map()中使用purrr::safely()，构建能够从错误中恢复的处理流程
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)常见问题解答
「furrr：并行执行 purrr 操作」课时是免费的吗？
是的 — 「furrr：并行执行 purrr 操作」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 R Academy 课程的其余内容，请升级到 CoddyKit PRO。 R Academy 课程共包含 4 节课。
「furrr：并行执行 purrr 操作」这节课中我会学到什么？
使用 future_map() 直接替换 map()，立即实现并行化 你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 R Academy 需要有经验吗？
无需任何先前经验。CoddyKit 上的 R Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 3 节课，共 4 节。
「furrr：并行执行 purrr 操作」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 R Academy 课中编写并运行代码吗？
能。每节 R Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- parallel 软件包与 detectCores()
- future 框架
- furrr：并行执行 purrr 操作
- 调试并行代码与负载均衡