Jak mogę zapisywać pliki równolegle bez automatycznego zwiększania rozmiaru pliku?

Mam 2 skrypty, które robią dokładnie to samo.

Ale jeden skrypt tworzy 3 pliki RData o wadze 82,7 KB, a drugi skrypt tworzy 3 pliki RData o wadze 120 KB.

pierwszy nie jest równoległy:

library("plyr")
ddply(.data = iris,
      .variables = "Species",
      ##.parallel=TRUE,##Without parallel
      .fun = function(SpeciesData){

      #Create Simple Model -------------------------------------------------------------  
      Model <- lm(formula = "Sepal.Length~Sepal.Width+Petal.Length+Petal.Width",data = SpeciesData)

      #Save The Model -------------------------------------------------------------               
       save(Model,
            compress = FALSE,
            file = gsub(x =  "Species.RData",
                        pattern = "Species",
                        replacement = unique(SpeciesData$Species)))

 })

Drugi jest równoległy:

library("plyr")
doSNOW::registerDoSNOW(cl<-snow::makeCluster(3))
ddply(.data = iris,
      .variables = "Species",
      .parallel=TRUE,##With parallel
      .fun = function(SpeciesData){

      #Create Simple Model -------------------------------------------------------------  
      Model <- lm(formula = "Sepal.Length~Sepal.Width+Petal.Length+Petal.Width",data = SpeciesData)

      #Save The Model -------------------------------------------------------------               
       save(Model,
            compress = FALSE,
            file = gsub(x =  "Species.RData",
                        pattern = "Species",
                        replacement = unique(SpeciesData$Species)))

 })
snow::stopCluster(cl)

drugi skrypt tworzy pliki ważące o 42% więcej.

Jak mogę zapisywać pliki równolegle bez automatycznego zwiększania rozmiaru pliku?

Jak wspomnieli inni, w plikach lub podobnych obiektach może znajdować się niewielka ilość informacji o środowisku, których prawdopodobnie nie zauważysz, z wyjątkiem tego, że pliki są tak małe.

Jeśli interesuje Cię tylko rozmiar pliku, spróbuj zapisać modele na jednej liście, a następnie zapisz je w jednym pliku. ddplymożemy obsłużyć tylko data.frame w wyniku działania funkcji, więc musimy użyć dlplyzamiast tego, aby nakazać mu zapisanie wyników na liście. W ten sposób zapisano tylko jeden plik o rozmiarze 60 KB.

Oto przykład tego, o czym mówię:

library("plyr")
doSNOW::registerDoSNOW(cl<-snow::makeCluster(3))
models<-dlply(.data = iris,
      .variables = "Species",
      .parallel=TRUE,##With parallel
      .fun = function(SpeciesData){

        #Create Simple Model -------------------------------------------------------------  
        lm(formula = Sepal.Length~Sepal.Width+Petal.Length+Petal.Width, data = SpeciesData)
      })
snow::stopCluster(cl)

save(models, compress= FALSE, file= 'combined_models')

Nie używałem ddply do równoległego zapisywania obiektów, więc sądzę, że plik staje się znacznie większy, ponieważ kiedy zapisujesz obiekt modelu, przenosi on również pewne informacje o środowisku, z którego jest zapisywany.

Więc używając powyższego kodu ddply, rozmiary mam:

sapply(dir(pattern="RData"),file.size)
setosa.RData versicolor.RData  virginica.RData 
       36002            36002            36002 

Istnieją dwie opcje, jedna z nich to purrr / furrr:

library(furrr)
library(purrr)

func = function(SpeciesData){
  Model <- lm(formula = "Sepal.Length~Sepal.Width+Petal.Length+Petal.Width",data = SpeciesData)
  save(Model,
       compress = FALSE,
       file = gsub(x =  "Species.RData",
                   pattern = "Species",
                   replacement = unique(SpeciesData$Species)))
}

split(iris,iris$Species) %>% future_map(func)

sapply(dir(pattern="RData"),file.size)
    setosa.RData versicolor.RData  virginica.RData 
           25426            27156            27156

Lub użyć saveRDS (i ddply?), Ponieważ masz tylko jeden obiekt do zapisania:

ddply(.data = iris,
      .variables = "Species",
      .parallel=TRUE,##With parallel
      .fun = function(SpeciesData){
        Model <- lm(formula = "Sepal.Length~Sepal.Width+Petal.Length+Petal.Width",data = SpeciesData)
        saveRDS(Model,
             gsub(x =  "Species.rds",
                         pattern = "Species",
                         replacement = unique(SpeciesData$Species)))

      })

sapply(dir(pattern="rds"),file.size)
    setosa.rds versicolor.rds  virginica.rds 
          6389           6300           6277 

Zrobisz readRDSzamiast, loadaby uzyskać plik:

m1 = readRDS("setosa.rds")
m1
Call:
lm(formula = "Sepal.Length~Sepal.Width+Petal.Length+Petal.Width", 
    data = SpeciesData)

Coefficients:
 (Intercept)   Sepal.Width  Petal.Length   Petal.Width  
      2.3519        0.6548        0.2376        0.2521  

Możemy spojrzeć na współczynniki w porównaniu z obiektem rda:

m2 = get(load("setosa.RData"))
m2

Call:
lm(formula = "Sepal.Length~Sepal.Width+Petal.Length+Petal.Width", 
    data = SpeciesData)

Coefficients:
 (Intercept)   Sepal.Width  Petal.Length   Petal.Width  
      2.3519        0.6548        0.2376        0.2521  

Obiekty nie są identyczne z powodu części środowiska, ale pod względem przewidywania lub innych rzeczy, do których zwykle go używamy, działa:

identical(predict(m1,data.frame(iris[1:10,])),predict(m2,data.frame(iris[1:10,])))