R：如何在R3.2.1中使用晶格并行化多面板打印？

我是R编程新手，想知道如何在由

lattice

package制作的12个网格对象上并行运行

plot

基本上，经过大量预处理步骤后，我有以下命令：

plot(adhd_plot, split = c(1,1,4,3)) #plot adhd trellis object at 1,1 in a grid of 4 by 3 i.e 4 COLUMNS x 3 ROWS
plot(bpd_plot, split = c(2,1,4,3), newpage = F) #plot bpd trellis object in 2nd Column in a grid of 4colx3row
plot(bmi_plot, split = c(3,1,4,3), newpage = F) 
plot(dbp_plot, split = c(4,1,4,3), newpage = F) 
plot(height_plot, split = c(1,2,4,3), newpage = F) 
plot(hdl_plot, split = c(2,2,4,3), newpage = F) 
plot(ldl_plot, split = c(3,2,4,3), newpage = F) 
plot(ra_plot, split = c(4,2,4,3), newpage = F) 
plot(sbp_plot, split = c(1,3,4,3), newpage = F) 
plot(scz_plot, split = c(2,3,4,3), newpage = F) 
plot(tc_plot, split = c(3,3,4,3), newpage = F) 
plot(tg_plot, split = c(4,3,4,3), newpage = F) 

问题是，尽管上述命令有效，但在Mac OSX上它们需要很长时间（>4小时）才能生成如下图形：

由于我的Mac有8个内核，我想我应该尝试在不同的内核之间分割plot命令，以加快绘图速度

在搜索其他并行化问题后，我找到了

doParallel

包，并认为我可以在其中实现

parlappy

函数，如下所示：

library(doParallel)
detectCores()
cl <- makeCluster(6) #6 out of 8 cores
registerdoParallel(cl)
parLapply(cl, list_of_all_trellis_objects, plot)

库（双并行）
detectCores（）
cl正如评论中所建议的，无法并行写入绘图设备

加快绘制单个绘图的一些变通方法：

减少QQ图中的点数，请参见：


通过应用以下提示，可以更快地加载数据：


您可以尝试并行绘制/保存多个绘图（其中每个绘图使用第1点和第2点的方法），但写入磁盘可能会造成严重的瓶颈

编辑：

下面是绘制快速qq图的粗略代码：


代码如下：

find_conf_intervals = function(row){
  i = row[1]
  len = row[2]
  if (i < 10000 | i %% 100 == 0){
    return(c(-log10(qbeta(0.95,i,len-i+1)), -log10(qbeta(0.05,i,len-i+1))))
  } else { # Speed up
    return(c(NA,NA))
  }
}

confidence.intervals <- function(e){
  xspace = 0.078
  print("1")
  ci = apply(cbind( 1:length(e), rep(length(e),length(e))), MARGIN=1, FUN=find_conf_intervals)
  print("2")
  bks = append(seq(10000,length(e),100),length(e)+1)
  print("3")
  for (i in 1:(length(bks)-1)){
    ci[1, bks[i]:(bks[i+1]-1)] = ci[1, bks[i]]
    ci[2, bks[i]:(bks[i+1]-1)] = ci[2, bks[i]]
  }
  colnames(ci) = names(e)
  ## Extrapolate to make plotting prettier (doesn't affect intepretation at data points)
  slopes = c((ci[1,1] - ci[1,2]) / (e[1] - e[2]), (ci[2,1] - ci[2,2]) / (e[1] - e[2]))
  print("4")
  extrap_x = append(e[1]+xspace,e) ## extrapolate slightly for plotting purposes only
  extrap_y = cbind( c(ci[1,1] + slopes[1]*xspace, ci[2,1] + slopes[2]*xspace), ci)
  print("5")
  polygon(c(extrap_x, rev(extrap_x)), c(extrap_y[1,], rev(extrap_y[2,])),
          col = "grey81", border = "grey81")
}

quant.subsample <- function(y, m=100, e=1) {
  ## m: size of a systematic sample
  ## e: number of extreme values at either end to use
  x <- sort(y)
  n <- length(x)
  quants <- (1 + sin(1:m / (m+1) * pi - pi/2))/2
  sort(c(x[1:e], quantile(x, probs=quants), x[(n+1-e):n]))
  ## Returns m + 2*e sorted values from the EDF of y
}

get.points <- function(pv) {
  suppressWarnings(as.numeric(pv))
  names(d) = names(pv)
  d = d[!is.na(d)]
  d = d[d>0 & d<1]
  d = d[order(d,decreasing=F)]
  y = -log10(d)
  x = -log10( ppoints(length(d) ))
  m <- 0.001 * length(x)
  e <- floor(0.0005 * length(x))
  return(list(x=quant.subsample(x, m, e), y=quant.subsample(y, m, e)))
}

fqq <- function(x, y, ...) {
  plot(0,
       col=FALSE,
       xlim=range(x),
       ylim=range(y),
       xlab=expression(Expected~~-log[10](italic(p))),
       ylab=expression(Observed~~-log[10](italic(p))),
       ...)
  abline(0,1,col=2)
  points(x,y, ...)
}

args <- commandArgs(trailingOnly = TRUE)
pv.f = args[1]
qq.f = args[2]
nrows = as.numeric(args[3])
message(Sys.time())
message("READING")
d <- read.table(pv.f, header=TRUE, sep=" ", nrows=nrows, colClasses=c("numeric"))
message(Sys.time())
message("LAMBDA")
chisq <- qchisq(1-d$P_VAL,1)
lambda = median(chisq)/qchisq(0.5,1)
message(Sys.time())
message("PLOTING")
p <- get.points(d$P_VAL)
png(file=qq.f)
fqq(p$x, p$y, main=paste(pv.f, lambda, sep="\n"), cex.axis=1.5, cex.lab=1.5)
dev.off()
message(Sys.time())

find_conf_interval=函数（行）{
i=第[1]行
len=第[2]行
如果（i<10000 | i%%100==0）{
返回值（c（-log10（qbeta（0.95，i，len-i+1）），-log10（qbeta（0.05，i，len-i+1）））
}否则{#加快速度
返回（c（不适用，不适用））
}
}
置信区间我不认为你可以在同一台设备上并行绘图。如果打印时间过长，则可能会在这些打印中打印大量点（无法分辨）。考虑如何避免这一点。“罗兰海伊，谢谢你的评论。你说得对。我有GWAS数据（全基因组关联研究），其中12个，所以它们非常大，所有数据点（p值）都需要绘制在QQ（分位数-分位数）图中……这是无法避免的。12个网格对象加在一起的总大小约为650MB。我认为您需要绘制所有点。我有一个R脚本，执行1和2，但它是根据我的工作流程定制的。我很高兴与大家分享。这对我帮助很大。非常感谢。我很想了解如何将第1点和第2点自定义到我的工作流程中，因此，通过查看您的脚本，我将受益匪浅。我怎样才能联系到你？