来源 | R友舍
众所周知，在大数据时代R语言有两个弱项，其中一个就是只能使用单线程计算。但是R在2.14版本之后，R就内置了parallel包，强化了R的并行计算能力。
parallel包实际上整合了之前已经比较成熟的snow包和multicore包，multicore无法在windows下运行。parallel包可以很容易的在计算集群上实施并行计算，在多个CPU核心的单机上，也能发挥并行计算的功能。我们今天就来探索一下parallel包在多核心单机上的使用。
parallel包的思路和lapply函数很相似，都是将输入数据分割、计算、整合结果。只不过并行计算是用到了不同的cpu来运算。
这样的计算过程可以使用如下方式来表述：
1、启动M个附属进程，并初始化
2、针对于任务，为每个附属进程分发所有的数据
3、将任务粗略的分为M个块儿（chunks），并将这些块儿发送到附属进程（包含需要的R代码）
4、等待所有的附属进程完成计算任务，并返回结果
5、对于其他任务也同样重复2-4
6、关闭附属进程
在parallel包里，对应上述两种并行化方式有如下两个核心函数（针对于lapply函数的并行化，mclapply在windows上不能使用）：
parLapply(cl, x, FUN, ...)
mclapply(X, FUN, ..., mc.cores)
案例1、不使用并行计算，直接使用lapply（隐式循环函数，它实际就是对不同的数据应用了相同的函数）：
fun |
|
转播
