为什么当我使用‘`dplyr：：mutate()’时，`furrr::future_map_int()`比`purrr：：map_int()‘慢？

Question

我有一个tibble，里面有一个包含向量的列表列。我想要创建一个新列，说明每个向量的长度。由于这个数据集很大(3M行)，我想使用furrr包减少一些处理时间。然而，purrr似乎比furrr更快。怎么会这样?

为了演示这个问题，我首先模拟了一些数据。不要费心去理解模拟部分中的代码，因为它与问题无关。

数据模拟功能

library(stringi)
library(rrapply)
library(tibble)

simulate_data <- function(nrows) {
  split_func <- function(x, n) {
    unname(split(x, rep_len(1:n, length(x))))
  }
  
  randomly_subset_vec <- function(x) {
    sample(x, sample(length(x), 1))
  }
  
  tibble::tibble(
    col_a = rrapply(object = split_func(
      x = setNames(1:(nrows * 5),
                   stringi::stri_rand_strings(nrows * 5,
                                              2)),
      n = nrows
    ),
    f      = randomly_subset_vec),
    col_b = runif(nrows)
  )
  
} 

模拟数据

set.seed(2021)

my_data <- simulate_data(3e6) # takes about 1 minute to run on my machine

my_data
## # A tibble: 3,000,000 x 2
##    col_a      col_b
##    <list>     <dbl>
##  1 <int [3]> 0.786 
##  2 <int [5]> 0.0199
##  3 <int [2]> 0.468 
##  4 <int [2]> 0.270 
##  5 <int [3]> 0.709 
##  6 <int [2]> 0.643 
##  7 <int [2]> 0.0837
##  8 <int [4]> 0.159 
##  9 <int [2]> 0.429 
## 10 <int [2]> 0.919 
## # ... with 2,999,990 more rows

实际问题

我想修改一个新列(length_col_a)，它将考虑到col_a的长度。我要做两次。首先使用purrr::map_int()，然后使用furrr::future_map_int()。

library(dplyr, warn.conflicts = T)
library(purrr)
library(furrr)
library(tictoc)

# first with purrr:
##################
tic()
my_data %>%
  mutate(length_col_a = map_int(.x = col_a, .f = ~length(.x)))

## # A tibble: 3,000,000 x 3
##    col_a      col_b length_col_a
##    <list>     <dbl>        <int>
##  1 <int [3]> 0.786             3
##  2 <int [5]> 0.0199            5
##  3 <int [2]> 0.468             2
##  4 <int [2]> 0.270             2
##  5 <int [3]> 0.709             3
##  6 <int [2]> 0.643             2
##  7 <int [2]> 0.0837            2
##  8 <int [4]> 0.159             4
##  9 <int [2]> 0.429             2
## 10 <int [2]> 0.919             2
## # ... with 2,999,990 more rows
toc()
## 6.16 sec elapsed


# and now with furrr:
####################
future::plan(future::multisession, workers = 2)

tic()
my_data %>%
  mutate(length_col_a = future_map_int(col_a, length))
## # A tibble: 3,000,000 x 3
##    col_a      col_b length_col_a
##    <list>     <dbl>        <int>
##  1 <int [3]> 0.786             3
##  2 <int [5]> 0.0199            5
##  3 <int [2]> 0.468             2
##  4 <int [2]> 0.270             2
##  5 <int [3]> 0.709             3
##  6 <int [2]> 0.643             2
##  7 <int [2]> 0.0837            2
##  8 <int [4]> 0.159             4
##  9 <int [2]> 0.429             2
## 10 <int [2]> 0.919             2
## # ... with 2,999,990 more rows
toc()
## 10.95 sec elapsed

我知道tictoc不是最精确的基准测试方法，但是-- furrr应该更快(就像这句话所暗示的)，但它不是。我已经确保了数据没有分组，因为furrr对分组数据的作者解释不能很好地工作。那么，对于furrr比purrr慢(或不太快)，还有什么其他的解释吗？

编辑

我发现本期在furrr的github上讨论了几乎相同的问题。然而，情况不同。在github问题上，正在映射的函数是用户定义的函数，需要附加附加包。因此，作者解释说，每个furrr工作人员在进行计算之前都必须附加所需的包。相比之下，我从base R映射length()函数，因此实际上不应该附加任何包的开销。

此外，作者还指出，由于plan(multisession)没有在RStudio中工作，所以可能会出现问题。但是，更新parallelly包以开发版本解决了这个问题。

remotes::install_github("HenrikBengtsson/parallelly", ref="develop")

不幸的是，这次更新对我的情况没有任何影响。

Answer 1

正如我在对原帖子的评论中所指出的那样，我怀疑这是由于工人分发了非常大的数据集而造成的开销。

为了证实我的怀疑，我使用了OP使用的相同代码，只进行了一次修改:我添加了一个延迟的0.000001，结果是：purrr --> 192.45 sec和furrr: 44.707 sec (8 workers)。furrr花的时间只有purrr的1/4

按照OP的要求，我的代码如下：

library(stringi)
library(rrapply)
library(tibble)

simulate_data <- function(nrows) {
  split_func <- function(x, n) {
    unname(split(x, rep_len(1:n, length(x))))
  }
  
  randomly_subset_vec <- function(x) {
    sample(x, sample(length(x), 1))
  }
  
  tibble::tibble(
    col_a = rrapply(object = split_func(
      x = setNames(1:(nrows * 5),
                   stringi::stri_rand_strings(nrows * 5,
                                              2)),
      n = nrows
    ),
    f      = randomly_subset_vec),
    col_b = runif(nrows)
  )
  
} 

set.seed(2021)

my_data <- simulate_data(3e6) # takes about 1 minute to run on my machine

my_data

library(dplyr, warn.conflicts = T)
library(purrr)
library(furrr)
library(tictoc)

# first with purrr:
##################

######## ---->  DELAY <---- ########
f <- function(x) {Sys.sleep(0.000001); length(x)}

tic()
my_data %>%
  mutate(length_col_a = map_int(.x = col_a, .f = ~ f(.x)))
toc()

plan(multisession, workers = 8)

tic()
my_data %>%
  mutate(length_col_a = future_map_int(col_a, f))
toc()