如何使用 lapply 和并行化优化这个 for 循环以运行得更快？

Question

我正在使用生存分析技术进行中介分析。这需要使用 for 循环进行引导。我的挑战是这个模型需要很长时间才能运行，如果可能的话我想对其进行优化。我听说将其转换为 lapply 会有所帮助，或者并行化此代码也可能会有所帮助。

这是我下面的代码。您可以忽略系统时间。

system.time(
        
        for(i in 1:ntrials-1) {
                ntrials <- 10000
                npat <-4413
                sampledata<-mgfipdma1[sample(nrow(mgfipdma1),npat, replace=TRUE),]
                direct <- fixef(coxme(Surv(deathcont/365.25,dth)~ sex + gf + agec10 + ht + smk + diab + offpump + gsum + agsum + statin + LAD + seq + (1|trial), data= mgfipdma1))
                total <- coxs <- fixef(coxme(Surv(deathcont/365.25,dth)~ sex + agec10 + ht + smk + diab + offpump + gsum + agsum + statin + LAD + seq + (1|trial), data= mgfipdma1))
                indirect2 <-exp(total-direct)
                indirect<-rbind(indirect, indirect2)
        }
)

quantile(indirect, c(0.025, 0.50, 0.975))

感谢您提供的任何帮助或建议。

到目前为止，我已经尝试过各种中介包，如 mediate、lavaan，但没有一个能够使用具有协变量的混合效应 cox 比例风险模型，就像我正在使用的那样（据我所知）。因此，我正在使用这个 for 循环，但运行需要大量时间（10k 次迭代需要数周）。我只是想知道是否有任何方法可以优化我的代码以加快此过程，而无需使用云。

Answer 1

要并行化任务，您可以使用 parallel 包中的 mclapply。

您的代码可能如下所示：

library(parallel)

ncores <- detectCores()
indirect <- mclapply(1:ntrials-1, 
             function(i){
               ntrials <- 10000
               npat <-4413
               sampledata<-mgfipdma1[sample(nrow(mgfipdma1),npat, replace=TRUE),]
               direct <- fixef(coxme(Surv(deathcont/365.25,dth)~ sex + gf + agec10 + ht + smk + diab + offpump + gsum + agsum + statin + LAD + seq + (1|trial), data= mgfipdma1))
               total <- coxs <- fixef(coxme(Surv(deathcont/365.25,dth)~ sex + agec10 + ht + smk + diab + offpump + gsum + agsum + statin + LAD + seq + (1|trial), data= mgfipdma1))
               indirect2 <-exp(total-direct)
               return(indirect2)
             }, mc.cores = ncores)

indirect <- do.call(rbind, indirect)