在 R 子集设置中不使用子集（）并以更简洁的方式使用 [ 来防止拼写错误？

Posted 2023-02-27

【中文标题】在 R 子集设置中不使用子集（）并以更简洁的方式使用 [ 来防止拼写错误？

【英文标题】：In R subsetting without using subset() and use [ in a more concise manner to prevent typos?

【发布时间】：2015-07-12 23:55:30

【问题描述】：

在处理数据帧时，通常需要一个子集。但是不鼓励使用子集函数。以下代码的问题是数据框名称重复了两次。如果你复制粘贴代码，很容易不小心不更改第二次提及的 adf，这可能是一场灾难。

adf=data.frame(a=1:10,b=11:20)
print(adf[which(adf$a>5),])  ##alas, adf mentioned twice
print(with(adf,adf[a>5,])) ##alas, adf mentioned twice
print(subset(adf,a>5)) ##alas, not supposed to use subset

有没有办法在不提及 adf 两次的情况下编写上述内容？不幸的是，使用 with() 或 inside()，我似乎无法访问整个 adf？

subset(...) 函数可以让它变得简单，但他们警告不要使用它：

这是一个旨在交互使用的便利功能。对于编程，最好使用像 [ 这样的标准子集函数，特别是参数子集的非标准评估可能会产生意想不到的后果。

【问题讨论】：

使用来自dplyr 的filter。即filter(adf, a >5) 类似于subset。如果您使用的是data.table。 setDT(adf)[a>5]

我和@akrun 在一起，很久以前就停止使用data.frames。一旦您将数据集转换为data.table，您的所有语法都会变得更短。尽管我只想提一下，您在这里使用了太多代码。您既不需要print 或which，也不需要adf[adf$a>5,] ，这反过来又不会让我感到困惑。

如果你想知道为什么不鼓励使用subset()，请看看this SO question。

两次写入数据集的名称应该是您最不担心的问题。你不应该复制/粘贴任何东西

akrun，我喜欢你对过滤器的建议。

【参考方案1】：

正如@akrun 所说，我会使用dplyr 的filter 函数：

require("dplyr")
new <- filter(adf, a > 5)
new

在实践中，我发现子集符号 ([ ]) 没有问题，因为如果我复制代码块，我会在 RStudio 中使用查找和替换来替换所选代码中对数据框的所有提及。相反，我使用 dplyr 是因为新用户（和我自己！）更容易理解符号和语法，并且因为 dplyr 功能“做好一件事”。

【参考方案2】：

经过一番思考，我写了一个超级简单的函数，叫做 given：

given=function(.,...)  with(.,...) 

这样我就不用重复data.frame的名字了。我还发现它比 filter() 快 14 倍。见下文：

adf=data.frame(a=1:10,b=11:20)
given=function(.,...)  with(.,...) 
with(adf,adf[a>5 & b<18,]) ##adf mentioned twice :(
given(adf,.[a>5 & b<18,]) ##adf mentioned once :)
dplyr::filter(adf,a>5,b<18) ##adf mentioned once...
microbenchmark(with(adf,adf[a>5 & b<18,]),times=1000)
microbenchmark(given(adf,.[a>5 & b<18,]),times=1000)
microbenchmark(dplyr::filter(adf,a>5,b<18),times=1000)

使用微基准测试

> adf=data.frame(a=1:10,b=11:20)
> given=function(.,...)  with(.,...) 
> with(adf,adf[a>5 & b<18,]) ##adf mentioned twice :(
  a  b
6 6 16
7 7 17
> given(adf,.[a>5 & b<18,]) ##adf mentioned once :)
  a  b
6 6 16
7 7 17
> dplyr::filter(adf,a>5,b<18) ##adf mentioned once...
  a  b
1 6 16
2 7 17
> microbenchmark(with(adf,adf[a>5 & b<18,]),times=1000)
Unit: microseconds
                             expr    min     lq     mean median     uq     max neval
 with(adf, adf[a > 5 & b < 18, ]) 47.897 60.441 67.59776 67.284 70.705 361.507  1000
> microbenchmark(given(adf,.[a>5 & b<18,]),times=1000)
Unit: microseconds
                            expr    min     lq     mean median    uq     max neval
 given(adf, .[a > 5 & b < 18, ]) 48.277 50.558 54.26993 51.698 56.64 272.556  1000
> microbenchmark(dplyr::filter(adf,a>5,b<18),times=1000)
Unit: microseconds
                              expr     min       lq     mean   median       uq      max neval
 dplyr::filter(adf, a > 5, b < 18) 524.965 581.2245 748.1818 674.7375 889.7025 7341.521  1000

我注意到 given() 实际上比 with() 快一点，因为变量名的长度。

given 的巧妙之处在于，您可以在没有赋值的情况下内联执行一些操作： 给定(data.frame(a=1:10,b=11:20),.[a>5 & b