上一篇博客（R中两种常用并行方法之parallel）中已经介绍了R中常见的一种并行包：parallel，其有着简单便捷等优势，其实缺点也是非常明显，就是很不稳定。很多时候我们将大量的计算任务挂到服务器上进行运行时，更看重的是其稳定性。
这时就要介绍R中的另一个并行利器——snowfall，这也是在平时做模拟时用的最多的一种方法。
针对上篇中的简单例子
首先是一个最简单的并行的例子，这个例子不需要载入任何依赖库、函数、对象等。相对也比较简单：
library(snowfall) # 载入snowfall包
# 并行初始化
sfInit(parallel = TRUE, cpus = detectCores() - 1)
# 进行lapply的并行操作
sfLapply(1:3, function(x) c(x, x ^ 2, x ^ 3))
# 结束并行，返还内存等资源
sfStop()语法基本也比较好理解，代码中的注释也有进行说明。sfLapply()的操作是与lapply()相对应的。类似地，还有sfSapply()，sfApply()等函数，其用法与apply组中的函数一致。
snowfall进阶
在实际操作时，我们进行的函数往往没有这么简单，往往还需要依赖一些其它的函数、变量、R包等，这时就不能用上述的方法简单的进行操作了。
下面给出一个具体实际的操作案例，来展示如何载入函数中依赖的对象等参数。
n <- 100
m <- 100
fun1 <- function(...) {
...
}
fun2 <- function(...) {
...
}
sfInit(parallel = TRUE, cpus = 10) #初始化
sfLibrary(MASS) # 载入依赖R包MASS
sfLibrary(ggplot2) # 载入依赖R包ggplot2
sfExport("n", "m") # 载入依赖的对象
sfExport("fun1", "fun2") # 载入依赖的函数
# 并行计算
result <- sfLapply(1:10000, myfun)
# 注意：myfun是自己定义的函数，里面需要用到包MASS, ggplot2；变量m, n；函数fun1, fun2。
sfStop() # 结束并行
其实很简单，对于并行函数依赖的库，就是sfLibrary()进行载入，所以来的对象以及函数则使用sfExport()进行载入。
当函数或者对象非常多时，不方便一个一个单独输入，这时我们可将所有的对象与函数存到allfun.R文件夹中，然后再采用sfSource('allfun.R')将所有的对象与函数进行导入，方便快捷。
下面我们再来看看如何查看并行进度：
使用sfCat查看并行进度
这部分参考：How to output a message in snowfall?
我们只需在函数中添加sfCat()函数，即可查看并行进度，其示例代码如下所示：
sfInit(parallel = TRUE, cpus = 2, slaveOutfile = "test.txt")
sfLibrary(snowfall)
res <- sfLapply(1:100, function(x) {
sfCat(paste("Iteration ", x), sep = "\n")
})
sfStop()需要注意的是，在初始化并行中，我们多加了一串命令：slaveOutfile = "test.txt"，这个表示其显示的进度会储存在test.txt文件中，其余部分基本没什么变化。
与Rcpp结合会遇到的问题
当我们进行模拟想要再次进行提速时，通常都会使用Rcpp将我们的R代码改成C++代码。平时在我们使用的时候，直接使用Rcpp::sourceCpp()就可以直接将我们的C++代码中的函数进行导入，然想要使用snowfall进行并行时则会遇到问题。
这里使用了两种方法来进行尝试：
使用sfSource('myCppfun.cpp')进行导入，会在导入的时候直接报错。
先使用Rcpp::sourceCpp('myCppfun.cpp')将函数读入变量空间，然后再使用sfExport("myCppfun")将函数。这样做在最后运行代码的时候会报错。
所以遇到这种问题，只能将我们的C++代码中的函数打包成一个包，然后直接在使用snowfall进行并行时，调取这个包来运行则不会报错。
关于如何制作自己的R包，可参考：RStudio制作包含Rcpp代码的R包。
以上就是R语言常用两种并行方法之snowfall详解的详细内容，更多关于R语言并行snowfall方法的资料请关注编程网其它相关文章！
