##### Ejemplo 1 #####
# rnorm(x) produce x valores aleatorios normales(0,1)


library(parallel)
ncores <- detectCores(logical = FALSE)
cl <- makeCluster(ncores)
clusterApply(cl, x = 1:ncores, fun = rnorm)
stopCluster(cl)


##### Ejemplo 2 #####
no.estandares = function(x,a,b){
  
  if(x==1) y = rnorm(5,a,b)
  if(x==2) y = rnorm(3,a,b)
  if(x==3) y = rnorm(1,a,b)
  if(x==4) y = rnorm(7,a,b)
  
  return(y)
  
}

library(parallel)
ncores <- detectCores(logical = FALSE)
cl <- makeCluster(ncores)
clusterApply(cl, x = 1:4, fun = no.estandares,2,7)
stopCluster(cl)


##### Ejemplo 3 #####
library(readr)
datos = read_csv("~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv" )

datos_1 = read_csv("~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv", skip = 1,n_max = 100,col_names = FALSE)

datos_2 = read_csv("~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv", skip = 101,n_max = 100,col_names = FALSE)

# Veamos una pedazo de la matriz
datos_1[1:3,1:3]
datos_2[1:3,1:3]

leer_trozo = function(archivo,parte,longitud){
  
  trozo = read_csv(archivo, skip = (parte-1)*longitud+1,n_max = longitud,col_names = FALSE)
  return(trozo)
  
}
# Le indico que lea el 2do trozo y de 100 en 100
a = leer_trozo("~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv",2,100)
a[1:3,1:3]


funA = function(archivo,parte,longitud) {
  M = leer_trozo(archivo,parte,longitud)
  s = sum( M[,5] + M[,7],na.rm = TRUE)
  return(s)
}
  
funB = function(archivo,parte,longitud) {
  N = leer_trozo(archivo,parte,longitud)
  p = sum( N[,6] *N[,10],na.rm = TRUE)
  return(p)
}


library(parallel)
ncores <- detectCores(logical = FALSE)
cl <- makeCluster(ncores)
trozo = clusterApply(cl, x = 1:4, fun = funA,archivo="~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv",longitud=100)

# !!!! Que sucede con la funcion leer_trozo ???
# Hay que pasarla la cluster
clusterExport(cl,c('leer_trozo'))
trozo = clusterApply(cl, x = 1:4, fun = funA,archivo="~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv",longitud=100)

# Tambien hay que pasar la funcion read_csv
clusterExport(cl,c('leer_trozo','read_csv'))
trozo = clusterApply(cl, x = 1:4, fun = funA,archivo="~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv",longitud=100)
trozo

#resultado = sum(trozo)#
resultado = sum(unlist(trozo))
resultado

stopCluster(cl)


cl <- makeCluster(ncores)
clusterExport(cl,c('leer_trozo','read_csv'))
trozo = clusterApply(cl, x = 1:4, fun = funA,archivo="~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv",longitud=100)
trozo

resultado = sum(unlist(trozo))
resultado

stopCluster(cl)



cl <- makeCluster(ncores)
clusterExport(cl,c('leer_trozo','read_csv'))
trozo = clusterApply(cl, x = 1:10, fun = funA,archivo="~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv",longitud=100)
stopCluster(cl)
trozo


##### Ejemplo  4 #####

### Secuencial ###
k = 30
trozo_sec = list(k)
t1 = Sys.time()
for(j in 1:k) {
  
  trozo_sec[[j]] = funA("~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv",j,longitud=100)
  
  
}
t2 = Sys.time()  

resultado_sec = sum(unlist(trozo_sec))
resultado_sec
  
tf = t2-t1  
tf  
  
### Paralelo ###
k = 30
library(parallel)
ncores <- detectCores(logical = FALSE)
cl <- makeCluster(ncores)
clusterExport(cl,c('leer_trozo','read_csv'))
v1 = Sys.time()
trozo_par = clusterApply(cl, x = 1:k, fun = funA,archivo="~/Desktop/R ZORA Ejemplos/Clase 1/minitrain.csv",longitud=100)
v2 = Sys.time()

trozo_par

resultado_par = sum(unlist(trozo_par))
resultado_par

stopCluster(cl)

vf = v2-v1
vf

##### Comparación #####
c(tf,vf)

as.numeric(tf)/as.numeric(vf)