背景

前一段时间用R进行样本量计算模拟时，发现了一个小问题，R默认只会调用CPU的单核心来进行统计计算，一般情况下倒是也不会花费太多时间，不过当计算量巨大时，个人电脑算的也太慢了，于是就有了这一篇文章，用来记录自己的学习过程。

操作

for循环

假设我们需要生成200个服从标准正态分布*N~(0,1)*的随机数，并重复生成2000次，共计生成，先写一个for循环如下：

normal_data <- function(i){
    a <- rnorm(200) #随机生成200个服从N(0,1)的随机数。
	b <- data.frame(x = a) #将随机数存储为数据库中
   return(b)
}
data_1 <- data.frame()
random_seed <- 20230704 #设定随机种子
set.seed(random_seed)
for (i in 1:2000){
    a <- normal_data(i)
    data_1 <- rbind(data_1,a)
}

将其保存到R的工作目录下，命名为orgin.r文件。

future并行运算

使用furrr包运行该代码：

library(furrr)
future::availableCores() # 查看你的主机有多少个核心
plan(multisession(workers = 4)) #选择4个核心作为并行运算
normal_data <- function(i){
    a <- rnorm(200)
	b <- data.frame(x = a)
   return(b)
}
random_seed <- 20230704
set.seed(random_seed)
data1 <- furrr::future_map_dfr(1:2000,normal_data,.options = furrr_options(seed = TRUE)) #设置option开启随机种子。

将该代码保存在R的工作目录下，命名为furrr.r文件。

比较运行时间

system.time(source("orgin.r"))
system.time(source("furrr.r"))

此时应该可以看出采用并行运算明显的缩短了程序运行的时间，完毕！