编者按
总的来说，R的运算速度不算快，不过类似并行运算之类的改进可以提高运算的性能。下面非常简要地介绍如何利用R语言进行并行运算。
代码如下：
library(parallel)#自带的包
cl.cores <- detectCores()
cl <- makeCluster(cl.cores)
detectCores( )检查当前电脑可用核数。
makeCluster(cl.cores)使用刚才检测的核并行运算。
说明文档里这样描述makeCluster函数：Creates a set of copies of R running in parallel and communicatingover sockets. 即同时创建数个R进行并行运算。在该函数执行后就已经开始并行运算了，电脑可能会变卡一点。尤其在执行par开头的函数时。
在并行运算环境下，常用的一些计算方法如下：
1. clusterEvalQ(cl,expr)函数利用创建的cl执行expr这里利用刚才创建的cl核并行运算expr。expr是执行命令的语句，不过如果命令太长的话，一般写到文件里比较好。比如把想执行的命令放在Rcode.r里：
clusterEvalQ(cl,source(file="Rcode.r"))
2.par开头的apply函数族。这族函数和apply的用法基本一样，不过要多加一个参数cl。一般如果cl创建如上面cl <- makeCluster(cl.cores)的话，这个参数可以直接用作parApply(cl=cl,…)。当然Apply也可以是Sapply,Lapply等等。注意par后面的第一个字母是要大写的，而一般的apply函数族第一个字母不大写。另外要注意，即使构建了并行运算的核，不使用parApply()函数，而使用apply()函数的话，则仍然没有实现并行运算。换句话说，makeCluster只是创建了待用的核，而不是并行运算的环境。
最后，终止并行运算只需要一行命令
stopCluster(cl)
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=function(x){
return(x-sqrt(x))
}
system.time({
res <- lapply(1:5000000, fun);
});
案例2、使用parallel包来加速
library(parallel)
#打开四核，具体核数根据机器的核数决定
cl <-makeCluster(getOption("cl.cores", 4));
system.time({
res <- parLapply(cl, 1:5000000, fun)
});
这个函数需要注意：
虽然可以看到运算速度是有所提升的，而实际情况中并非核数越多越好，看机器配置。
首先要先用detectCores函数确定系统核心数目，对于Window系统下的Intel I5或I7 处理器，一般使用detectCores(logical = F)来获得实际的物理核心数量，在大数据的处理下要使用得格外谨慎。
参考文献：
http://blog.sina.com.cn/s/blog_13ec737150102x58p.html
往期「精彩内容」，点击回顾
DNA测序历史 | CircRNA数据库 | Epigenie表观综合 | 癌症定位
BWA介绍 | 源码安装R包 | CancerLocator | lme4 | 450K分析
乳腺癌异质性 | BS-Seq | 隐马模型 | Circos安装 | Circos画图
KEGG标记基因 | GDSC | Meta分析 | R线性回归和相关矩阵
精彩会议及课程，点击回顾