Python作為多線程的編程語言在并行方面相對于R語言有很大的優勢，然而作為占據統計分析一席之地的R語言自然不能沒有并行計算的助力。那么我們來看下在R語言中有哪些并行的包：隱式并行：OpenBLAS，Intel MKL，NVIDIA cuBLAS等；顯性并行：parallel(主打lapply應用)、foreach(主打for循環)、SupR、還有利用GPU的辦法(gpuR)。所謂顯式并行也就是基于并行的編程語言編譯的程序；隱式并行是基于串行程序編譯的并行計算。當然，在R語言核心功能中也是帶有了相關的并行的計算基礎包parallel。今天就給大家介紹下這個基礎并行包的具體應用。

我們不需要再安裝這個包，可以直接進行相關的計算。首先我們看下里面的幾個核心的函數：

1. detectCores() 發現PC終端有多少個核。所謂核就是CPU的性能體現，越多越好。實例：

library(parallel)cl.cores #發現可用核數

2. makeCluster() 初始化我們需要用到的核數。其中type參數有兩種PSOCK適用所有操作系統，FORK適用unix/max，實現內存共享以及節省內存。實例：

cl "cl.cores", 2),type="PSOCK")

3. clusterExport() 將變量載入并行的環境中。實例：

xx=1:10clusterExport(cl, "xx")#讀入變量數據

4. clusterEvalQ(,{code})? 將包或者代碼直接載入并行環境。實例：

clusterEvalQ(cl,{library(ggplot2);xy=1:10})

clusterCall(cl, function(y) xy + y, 2:10)

5. clusterCall() 在并行環境中，一次運行過程在各節點的值。clusterMap便可以直接運行所用的值，并以列表形式展示所有結果。實例：

clusterCall(cl, function(y) xx + y, 2：10)

clusterMap(cl,function(y) xx + y,2:10)

6. parLapply(), parSapply(), 和 parApply() 和函數 lapply, sapply 及 apply一一對應。可以直接將自定義的函數引入并行環境。實例：

parSapply(cl,2:10, function(y) xx + y)

7. clusterApply() 類似parLapply 系列，可以直接運行得到所有結果，輸出列表格式。clusterApplyLB()便是對其的優化，具體的優化模式我們就不贅述了。實例：

clusterApply(cl,2:10, function(y) xx + y)

8. do.call() 針對某個數據集執行指定的函數功能。實例：

res=clusterApply(cl,2:10, function(y) xx +y)do.call('rbind',res)

9. stopCluster() 關閉集群。實例

stopCluster(cl)

以上便是parallel包的全部功能函數，其實并行真正解決的是重復性工作的情況，在P值的計算中應用比較廣泛。然而對于遞歸計算需要一定的優化才能使用并行計算，不然不一定有單機的效率高。

歡迎互相學習交流！?