當使用R做計算，常常以五萬次為單位的時候，就會開始有點不耐煩，在思考如何提高自己代碼的速度，通常這種計算都會“慢”在某個loop中，通常就是做個t.test或是wilcoxon.test之類的。此時就可以考慮把代碼稍微修改，加入並行（parellel）的概念於其中，這時候可以參考使用foreach這個apckage，（在計算量小的時候，就不用牛刀小試，反而會變慢，因為一開始程序會先分推等等並行前的處置，且最後你還會需要寫代碼把資料合起來成自己想要的格式，通常都是把list變成一個data.frame）。
當然傳統基本的apply, lapply, sapply, eapply, mapply, rapply等都可以用來將這類的任務解決，但本質上這些函數依舊是單核單線程在運算的，而這邊介紹的foreach package則可以支援多核以及在叢集電腦上的多node計算。
在foreach裡面的函數，多為binary operator的形式，最簡單的使用方式，是直接將其替代原本的loop寫法：
#最基本的用法就如同for loop
x <- foreach ( i = 1:3) %do% sqrt(i)</div>
#其支援多個variable同時來迭代
x <- foreach(a = 1:3, b=rep(10, 3)) %do% ( a + b )
#可以使用curly brace, 裡頭可以包更複雜的運算
x <- foreach(a= 1:3, b= rep(10 ,3)) %do% {</div>
a + b
}
#使用.combine 選項，可以將運算的複雜度提高 x <- foreach(i = 1:3, .combine=‘c’) %do% exp(i) x <- foreach( i = 1:3, .combine=‘cbind’) %do% rnorm(4)</div> #cfun為使用自訂函數 x <- foreach( i = 1:3, .combine=‘cfun’, .multicombine=TRUE) %do% rnorm(4)
基本上使用%do%可以在loop上更多元的操作，而foreach最強大的其實是他並行的運算指令，其實就把％do％改成％dopar％就可以了，不過其實foreach本身是有一些缺欠的，比如他內部跟操作系統中線程的處理，是使用fork而非exec，所以在並行中在指令中間暫時性的variable時，就會出現一些問題，這部分會有另一個package來幫其補齊不足(doParellel package)
PS:當combine pipe使用時，有可能會造成ram需求大升，造成問題！
我們的基因體時代 Our "Gene"ration 