r语言中怎样查看函数源代码

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了r语言中怎样查看函数源代码相关的知识,希望对你有一定的参考价值。

在r中看函数源代码:
在R中,代码可以分为如下几个级别:

首先,是你输入了函数对象名称,你可以直接看到代码的,如要获得函数对象fivenum的代码,就只需要在Console中键入函数对象名称fivenum就可以得到如下结果:

function (x, na.rm = TRUE)

xna <- is.na(x)
if (na.rm)
x <- x[!xna]
else if (any(xna))
return(rep.int(NA, 5))
x <- sort(x)
n <- length(x)
if (n == 0)
rep.int(NA, 5)
else
n4 <- floor((n + 3)/2)/2
d <- c(1, n4, (n + 1)/2, n + 1 - n4, n)
0.5 * (x[floor(d)] + x[ceiling(d)])


<environment: namespace:stats>

从上面的例子可以看出,这类函数对象的代码是最容易看到的,也是我们学习的最好的材料了,而R中最大多数的函数对象是以这种方式出现的。

其次,我们在输入mean这类函数名次的时候,会出现如下结果:

function (x, ...)
UseMethod("mean")
<environment: namespace:base>

这表示函数作者把函数“封”起来了。这个时候我们可以先试一试methods(mean),利用methods函数看看mean这个函数都有哪些类型的,我们得到的结果如下:

[1] mean.data.frame mean.Date mean.default mean.difftime mean.POSIXct mean.POSIXlt

其实对此可以有一个简单的理解,虽然不够精确。因为在R中,mean函数可以求得属于不同类型对象的平均值,而不同类型对象平均值的求法还是有一些小小差 异的,比如说求一个向量的平均值和求一个数据框的平均值就有所差异,就要编写多个mean函数,然后“封”起来,以一个统一的mean出现,方便我们使 用。这正好也反映了R有一种类似泛型编程语言的性质。

既然我们已经知道mean中还有这么多种类,我们可以输入mean.default试一试就可以得到:

function (x, trim = 0, na.rm = FALSE, ...)

if (!is.numeric(x) && !is.complex(x) && !is.logical(x))
warning("argument is not numeric or logical: returning NA")
return(as.numeric(NA))

if (na.rm)
x <- x[!is.na(x)]
trim <- trim[1]
n <- length(x)
if (trim > 0 && n > 0)
if (is.complex(x))
stop("trimmed means are not defined for complex data")
if (trim >= 0.5)
return(stats::median(x, na.rm = FALSE))
lo <- floor(n * trim) + 1
hi <- n + 1 - lo
x <- sort.int(x, partial = unique(c(lo, hi)))[lo:hi]
n <- hi - lo + 1

.Internal(mean(x))

<environment: namespace:base>

同样就可以得到mean.data.frame、mean.Date、mean.difftime、mean.POSIXct、mean.POSIXlt 的具体内容了。值得注意的是,在R中,出现有多个同样近似功能的函数封装为一个函数的时候(这时候在函数中多半会出现类似UseMethod函数使用的情 况),我们不妨先输入mean.default试一试。这种形式的函数在R中一般作为默认的函数表示。

第三,这是一种特殊的情况,有人认为应该和第二种是一类,但是我还是要提出来单独归类。在这种情况也和第二种的原因有些类似,但并不是完全一致。

也许我们大家都很熟悉plot函数了吧,输入函数名plot的时候,我们会得到如下结果:

function (x, y, ...)

if (is.null(attr(x, "class")) && is.function(x))
nms <- names(list(...))
if (missing(y))
y <-
if (!"from" %in% nms)
0
else if (!"to" %in% nms)
1
else if (!"xlim" %in% nms)
NULL

if ("ylab" %in% nms)
plot.function(x, y, ...)
else plot.function(x, y, ylab = paste(deparse(substitute(x)),
"(x)"), ...)

else UseMethod("plot")

<environment: namespace:graphics>

请注意plot函数中也出现了UseMethod这个函数,但是和mean不同的是,前面有相当多的语句用于处理其他一些事情。这个时候,我们也使用methods(plot)来看看,得到如下结果:

plot.acf* plot.data.frame* plot.Date* plot.decomposed.ts* plot.default
plot.dendrogram* plot.density plot.ecdf plot.factor* plot.formula*
plot.hclust* plot.histogram* plot.HoltWinters* plot.isoreg* plot.lm
plot.medpolish* plot.mlm plot.POSIXct* plot.POSIXlt* plot.ppr*
plot.prcomp* plot.princomp* plot.profile.nls* plot.spec plot.spec.coherency
plot.spec.phase plot.stepfun plot.stl* plot.table* plot.ts
plot.tskernel* plot.TukeyHSD

不看不知道,一看吓一跳,还以为我们输入plot的输出就是函数本身,结果也许不是如此。可能有人已经理解了,其实最后的UseMethod函数实在默认的调用plot.default函数,赶快再看看plot.default函数吧,发现它再调用plot.xy函数,再看看plot.xy函数,再plot.xy函数中调用了一个.Internal(plot.xy(xy, type, pch, lty, col, bg, cex, lwd, ...))函数,也许这就是真正起作用的函数了吧。思路基本上就是如此了,是否这个时候您可以获得一些阅读查找R函数内容的乐趣。

除了直接输入FUN.default形式外,还可以使用getS3method(FUN,"default")来获得代码。这样就解决了绝大多数函数代码查看的工作了。

在第二种情况种,我们说了一般可以通过FUN.default获得想要的结果。但是只有称为generic的函数才有这种“特权”。而lm等则没有,不过我们也可以尝试使用methods(lm)来看看结果如何,发现:
[1] lm.fit lm.fit.null lm.influence lm.wfit lm.wfit.null
Warning message:
function 'lm' appears not to be generic in: methods(lm)

出现了警告信息,表示说lm不是泛型函数,但是还是给出了结果lm.fit等,大致上可以看成是和lm相关的系列函数吧。这样子就出现了有趣的局面,比如说既有plot.ts,也有ts.plot。

依照第三种情况,我们发现竟然有的函数用星号标识了的,比如plot.stl*等,当我们输入plot.stl,甚至是plot.stl*的时候都会给出 要么找不到这个对象,要么干脆是代码错误的信息。原来凡是用了*标识的函数,都是隐藏起来的函数,估计是怕被人看见(其实这是玩笑话)!我们要看这些函数 的代码,我们该怎么办呢?其实也很容易,使用功能强大的getAnywhere(FUN),看看这个函数的名称,就可以猜想到它的功能估计是很强大的, Anywhere的内容都可以找到!getAnywhere(plot.stl)的结果如下:

A single object matching 'plot.stl' was found
It was found in the following places
registered S3 method for plot from namespace stats
namespace:stats
with value
function (x, labels = colnames(X), set.pars = list(mar = c(0,
6, 0, 6), oma = c(6, 0, 4, 0), tck = -0.01, mfrow = c(nplot,
1)), main = NULL, range.bars = TRUE, ..., col.range = "light gray")

sers <- x$time.series
ncomp <- ncol(sers)
data <- drop(sers %*% rep(1, ncomp))
X <- cbind(data, sers)
colnames(X) <- c("data", colnames(sers))
nplot <- ncomp + 1
if (range.bars)
mx <- min(apply(rx <- apply(X, 2, range), 2, diff))
if (length(set.pars))
oldpar <- do.call("par", as.list(names(set.pars)))
on.exit(par(oldpar))
do.call("par", set.pars)

for (i in 1:nplot)
plot(X[, i], type = if (i < nplot)
"l"
else "h", xlab = "", ylab = "", axes = FALSE, ...)
if (range.bars)
dx <- 1/64 * diff(ux <- par("usr")[1:2])
y <- mean(rx[, i])
rect(ux[2] - dx, y + mx/2, ux[2] - 0.4 * dx, y -
mx/2, col = col.range, xpd = TRUE)

if (i == 1 && !is.null(main))
title(main, line = 2, outer = par("oma")[3] > 0)
if (i == nplot)
abline(h = 0)
box()
right <- i%%2 == 0
axis(2, labels = !right)
axis(4, labels = right)
axis(1, labels = i == nplot)
mtext(labels[i], side = 2, 3)

mtext("time", side = 1, line = 3)
invisible()

<environment: namespace:stats>

注意到前面有一段解释型的语言,描述了我们要找的这个函数放在了什么地方等等。其实对任意我们可以在R中使用的函数,都可以先试一试getAnywhere,看看都有些什么内容。算是一个比较“霸道”的函数。

在上面plot.xy函数中,我们还可以看到.Internal这个函数,类似的也许还可以看到.Primitive、.External、.Call等函数这就和R系统内部工作方式和与外部接口的定义有关了,如果对这些函数有兴趣的话,就要学习组成R系统的源代码了。

最后,如果真的想阅读组成R系统本身的源代码,在各个CRAN中均有下载。你可以得到组成R系统所需要的材料。其中很多C语言(还有就是F)的源代码,均 是精心挑选过的算法,哪怕就是想学从头到尾编写具体的算法,也是学习的好材料。同时,你可以看到R系统内部是如何构成的,理解了这些对于高效使用R有至关 重要的作用。这个范畴的材料就要着重看一看R-Lang和R-inits了。

至此,R中阅读代码的内容就依照我的理解介绍了一下。随后将有一些R代码示例的分析注解、语言本身、R应用的和行业使用的材料翻译和具体例子说明。欢迎大家多多和我交流,一起进步。
参考技术A 直接输入函数名,不加参数。如area追问

看不了

本回答被提问者采纳

译文怎样在R语言中使用SQL命令

【译文】怎样在R语言中使用SQL命令


作者 Fisseha Berhane

对于有SQL背景的R语言学习者而言。sqldf是一个很实用的包,由于它使我们能在R中使用SQL命令。仅仅要掌握了主要的SQL技术。我们就能利用它们在R中操作数据框。关于sqldf包的很多其它信息,能够參看cran

在这篇文章中,我们将展示怎样在R中利用SQL命令来连接、检索、排序和筛选数据。

我们也将展示怎么利用R语言的函数来实现这些功能。近期我在处理一些FDA(译者注:食品及药物管理局)的不良事件数据。这些数据很混乱:有缺失值。有反复记录,有不同一时候间建立的数据集的可比性问题。不同数据集中变量名称和数量也不统一(比方一个数据集里叫sex,还有一个里叫gender),还有疏忽错误等问题。但正因如此,这些数据对于数据科学家或者爱好者而言到是理想的练手对象。

本文使用的FDA不良事件数据能够从公开渠道获得,csv格式的数据表能够从国家经济研究局下载。通过R从国家经济研究局的站点下载数据相对更easy,我建议你使用对应的R代码来下载并探索数据。

不良事件数据集是以季度为发布周期,每一个季度的数据包括了人口信息、药物/生物信息、不良事件详情,结果和诊断情况等信息。

让我们下载数据并使用SQL命令来连接、排序和筛选该数据集中包括的大量数据框。

载入R包

require(downloader)  
library(dplyr)
library(sqldf)
library(data.table)
library(ggplot2)
library(compare)
library(plotrix)

主要的错误处理函数tryCatch()

我们将使用这个函数来处理下载的数据。由于数据以季度频率发布,每年都会有四个观測值(每年有四条记录)。执行这个函数能自己主动下载数据,但假设某些季度数据从网上无法获取(尚未发布)。该函数会返回一条错误信息表示无法找到数据集。

如今让我们下载数据的压缩包并将其解压。

try.error = function(url)
{
  try_error = tryCatch(download(url,dest="data.zip"), error=function(e) e)
  if (!inherits(try_error, "error")){
      download(url,dest="data.zip")
        unzip ("data.zip")
      }
    else if (inherits(try_error, "error")){
    cat(url,"not found\n")
      }
      }

下载不良事件数据

我们能够得到自2004年起的FDA不良事件数据。本文将使用2013年以来发布的数据,我们将检查截至当前时间的最新数据并下载。

> Sys.time() 函数会返回当前的日期和时间。

> data.table包中的year()函数会从之前返回的当前时间中提取年份信息。

我们将下载人口、药物、诊断/指示,结果和反应(不良事件)数据。

year_start=2013
year_last=year(Sys.time())
for (i in year_start:year_last){
            j=c(1:4)
            for (m in j){
            url1<-paste0("http://www.nber.org/fda/faers/",i,"/demo",i,"q",m,".csv.zip")
            url2<-paste0("http://www.nber.org/fda/faers/",i,"/drug",i,"q",m,".csv.zip")
            url3<-paste0("http://www.nber.org/fda/faers/",i,"/reac",i,"q",m,".csv.zip")
            url4<-paste0("http://www.nber.org/fda/faers/",i,"/outc",i,"q",m,".csv.zip")
            url5<-paste0("http://www.nber.org/fda/faers/",i,"/indi",i,"q",m,".csv.zip")
           try.error(url1)
           try.error(url2)
           try.error(url3)
           try.error(url4)
           try.error(url5)     
            }
        }

http://www.nber.org/fda/faers/2015/demo2015q4.csv.zip not found
...
http://www.nber.org/fda/faers/2016/indi2016q4.csv.zip not found

依据上面的错误信息。截至成文时间(2016年3月13日)。我们最多能够获得2015年第三季度的不良事件数据。

> list.files()函数会字符串向量的形式返回当前工作文件夹下全部文件的名字。

> 我会使用正則表達式对各个数据集的类别进行筛选。

比方^demo.*.csv表示全部名字以demo开头的csv文件。

filenames <- list.files(pattern="^demo.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly demography datasets‘)
filenames

我们已经下载了下列季度人口数据

"./demo2012q1.csv" "./demo2012q2.csv" "./demo2012q3.csv" "./demo2012q4.csv" "./demo2013q1.csv" "./demo2013q2.csv" "./demo2013q3.csv" "./demo2013q4.csv" "./demo2014q1.csv" "./demo2014q2.csv" "./demo2014q3.csv" "./demo2014q4.csv" "./demo2015q1.csv" "./demo2015q2.csv" "./demo2015q3.csv"

让我们用data.table包中的fread()函数来读入这些数据集,以人口数据为例:

demo=lapply(filenames,fread)

接着让我们把它们转换数据结构并合并成一个数据框:

demo_all=do.call(rbind,lapply(1:length(demo),function(i) select(as.data.frame(demo[i]),primaryid,caseid, age,age_cod,event_dt,sex,reporter_country)))
dim(demo_all)
       3554979   7 

我们看到人口数据有超过350万行观測(记录)。

译者注:以下的内容都是反复这个流程。能够略过

如今让我们合并全部的药品数据

filenames <- list.files(pattern="^drug.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly drug datasets:\n‘)
filenames
drug=lapply(filenames,fread)
cat(‘\n‘)
cat(‘Variable names:\n‘)
names(drug[[1]])
drug_all=do.call(rbind,lapply(1:length(drug), function(i) select(as.data.frame(drug[i]),primaryid,caseid, drug_seq,drugname,route)))

我们已经下载了下列季度药品数据集

"./drug2012q1.csv" "./drug2012q2.csv" "./drug2012q3.csv" "./drug2012q4.csv" "./drug2013q1.csv" "./drug2013q2.csv" "./drug2013q3.csv" "./drug2013q4.csv" "./drug2014q1.csv" "./drug2014q2.csv" "./drug2014q3.csv" "./drug2014q4.csv" "./drug2015q1.csv" "./drug2015q2.csv" "./drug2015q3.csv"

每张表中的变量名分别为:

"primaryid" "drug_seq" "role_cod" "drugname" "val_vbm" "route" "dose_vbm" "dechal" "rechal" "lot_num" "exp_dt" "exp_dt_num" "nda_num" 

合并全部的诊断/指示数据集

filenames <- list.files(pattern="^indi.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly diagnoses/indications datasets:\n‘)

filenames

indi=lapply(filenames,fread)

cat(‘\n‘)
cat(‘Variable names:\n‘)

names(indi[[15]])

indi_all=do.call(rbind,lapply(1:length(indi), function(i) select(as.data.frame(indi[i]),primaryid,caseid, indi_drug_seq,indi_pt)))

已经下载的数据集为:

"./indi2012q1.csv" "./indi2012q2.csv" "./indi2012q3.csv" "./indi2012q4.csv" "./indi2013q1.csv" "./indi2013q2.csv" "./indi2013q3.csv" "./indi2013q4.csv" "./indi2014q1.csv" "./indi2014q2.csv" "./indi2014q3.csv" "./indi2014q4.csv" "./indi2015q1.csv" "./indi2015q2.csv" "./indi2015q3.csv"

变量名为:

"primaryid" "caseid" "indi_drug_seq" "indi_pt" 

合并病人的结果数据:

filenames <- list.files(pattern="^outc.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly patient outcome datasets:\n‘)

filenames
outc_all=lapply(filenames,fread)

cat(‘\n‘)
cat(‘Variable names\n‘)

names(outc_all[[1]])
names(outc_all[[4]])
colnames(outc_all[[4]])=c("primaryid", "caseid", "outc_cod")
outc_all=do.call(rbind,lapply(1:length(outc_all), function(i) select(as.data.frame(outc_all[i]),primaryid,outc_cod)))

下载的数据集例如以下:

"./outc2012q1.csv" "./outc2012q2.csv" "./outc2012q3.csv" "./outc2012q4.csv" "./outc2013q1.csv" "./outc2013q2.csv" "./outc2013q3.csv" "./outc2013q4.csv" "./outc2014q1.csv" "./outc2014q2.csv" "./outc2014q3.csv" "./outc2014q4.csv" "./outc2015q1.csv" "./outc2015q2.csv" "./outc2015q3.csv" 

变量名:

"primaryid" "outc_cod" 
"primaryid" "caseid" "outc_code" 

最后来合并反应(不良事件)数据集(译者注:这部分无聊地我要哭了)

filenames <- list.files(pattern="^reac.*.csv", full.names=TRUE)
cat(‘We have downloaded the following quarterly reaction (adverse event)  datasets:\n‘)

filenames
reac=lapply(filenames,fread)

cat(‘\n‘)
cat(‘Variable names:\n‘)
names(reac[[3]])

reac_all=do.call(rbind,lapply(1:length(indi), function(i) select(as.data.frame(reac[i]),primaryid,pt)))

下载的数据集有:

"./reac2012q1.csv" "./reac2012q2.csv" "./reac2012q3.csv" "./reac2012q4.csv" "./reac2013q1.csv" "./reac2013q2.csv" "./reac2013q3.csv" "./reac2013q4.csv" "./reac2014q1.csv" "./reac2014q2.csv" "./reac2014q3.csv" "./reac2014q4.csv" "./reac2015q1.csv" "./reac2015q2.csv" "./reac2015q3.csv"

变量名为:

"primaryid" "pt" 

让我们看看不同的数据类型各有多少行

all=as.data.frame(list(Demography=nrow(demo_all),Drug=nrow(drug_all),
                   Indications=nrow(indi_all),Outcomes=nrow(outc_all),
                   Reactions=nrow(reac_all)))
row.names(all)=‘Number of rows‘
all

技术分享

SQL命令

记住sqldf包使用SQLite

COUNT

# SQL版本号
sqldf("SELECT COUNT(primaryid)as ‘Number of rows of Demography data‘
FROM demo_all;")

技术分享

# R版本号
nrow(demo_all)
3554979 

LIMIT命令(显示前几行)

#  SQL版本号
sqldf("SELECT *
FROM demo_all 
LIMIT 6;")

技术分享

# R版本号
head(demo_all,6)

技术分享

R1=head(demo_all,6)
SQL1 =sqldf("SELECT *
FROM demo_all 
LIMIT 6;")
all.equal(R1,SQL1)
TRUE

*译者注:这部分代码验证了SQL命令和R代码的等价性,下同。

WHERE命令

SQL2=sqldf("SELECT * FROM demo_all WHERE sex =‘F‘;")
R2 = filter(demo_all, sex=="F")
identical(SQL2, R2)
TRUE

SQL3=sqldf("SELECT * FROM demo_all WHERE age BETWEEN 20 AND 25;")
R3 = filter(demo_all, age >= 20 & age <= 25)
identical(SQL3, R3)
TRUE

GROUP BY 和 ORDER BY

# SQL版本号
sqldf("SELECT sex, COUNT(primaryid) as Total
FROM demo_all
WHERE sex IN (‘F‘,‘M‘,‘NS‘,‘UNK‘)
GROUP BY sex
ORDER BY Total DESC ;")

技术分享

# R版本号
demo_all %>% filter(sex %in%c(‘F‘,‘M‘,‘NS‘,‘UNK‘)) %>% group_by(sex) %>%
summarise(Total = n()) %>% arrange(desc(Total))

技术分享

SQL3 = sqldf("SELECT sex, COUNT(primaryid) as Total
FROM demo_all
GROUP BY sex
ORDER BY Total DESC ;")

R3 = demo_all%>%group_by(sex) %>%
        summarise(Total = n())%>%arrange(desc(Total))

compare(SQL3,R3, allowAll=TRUE)
TRUE
  dropped attributes

利用SQL命令进行数据清洗并绘制3D饼图

SQL=sqldf("SELECT sex, COUNT(primaryid) as Total
FROM demo_all
WHERE sex IN (‘F‘,‘M‘,‘NS‘,‘UNK‘)
GROUP BY sex
ORDER BY Total DESC ;")
SQL$Total=as.numeric(SQL$Total
pie3D(SQL$Total, labels = SQL$sex,explode=0.1,col=rainbow(4),
   main="Pie Chart of adverse event reports by gender",cex.lab=0.5, cex.axis=0.5, cex.main=1,labelcex=1)

输出的图例如以下:

技术分享

Inner Join

让我们把药品数据和指数数据基于主id和药品序列内连。

首先。我们要检查下变量名,看看怎样合并两个数据集。

names(indi_all)
names(drug_all)

    "primaryid" "indi_drug_seq" "indi_pt" 
    "primaryid" "drug_seq" "drugname" "route" 

names(indi_all)=c("primaryid", "drug_seq", "indi_pt" ) # 使两个数据集变量名一致
R4= merge(drug_all,indi_all, by = intersect(names(drug_all), names(indi_all))) # R版本号合并
R4=arrange(R3, primaryid,drug_seq,drugname,indi_pt) # R版本号排序
SQL4= sqldf("SELECT d.primaryid as primaryid, d.drug_seq as drug_seq, d.drugname as drugname,
                       d.route as route,i.indi_pt as indi_pt
                       FROM drug_all d
                       INNER JOIN indi_all i
                      ON d.primaryid= i.primaryid AND d.drug_seq=i.drug_seq
                      ORDER BY primaryid,drug_seq,drugname, i.indi_pt") # SQL版本号
compare(R4,SQL4,allowAll=TRUE)
TRUE # 两种方法等价

R5 = merge(reac_all,outc_all,by=intersect(names(reac_all), names(outc_all)))
SQL5 =reac_outc_new4=sqldf("SELECT r.*, o.outc_cod as outc_cod
                     FROM reac_all r 
                     INNER JOIN outc_all o
                     ON r.primaryid=o.primaryid
                     ORDER BY r.primaryid,r.pt,o.outc_cod")

compare(R5,SQL5,allowAll = TRUE)
TRUE
# 绘制不同性别的年龄概率分布密度图
ggplot(sqldf(‘SELECT age, sex
             FROM demo_all
             WHERE age between 0 AND 100 AND sex IN ("F","M")
             LIMIT 10000;‘), aes(x=age, fill = sex))+ geom_density(alpha = 0.6)

绘制出的图例如以下:

技术分享

绘制不同结果的年龄年龄概率分布密度图(译者注:后面都是结果的可视化,可略过。原作者的耐心真好。

。。

ggplot(sqldf("SELECT d.age as age, o.outc_cod as outcome
                     FROM demo_all d
                     INNER JOIN outc_all o
                     ON d.primaryid=o.primaryid
                     WHERE d.age BETWEEN 20 AND 100
                     LIMIT 20000;"),aes(x=age, fill = outcome))+ geom_density(alpha = 0.6)

输出例如以下:

技术分享

ggplot(sqldf("SELECT de.sex as sex, dr.route as route
                     FROM demo_all de
                     INNER JOIN drug_all dr
                     ON de.primaryid=dr.primaryid
                     WHERE de.sex IN (‘M‘,‘F‘) AND dr.route IN (‘ORAL‘,‘INTRAVENOUS‘,‘TOPICAL‘)
                     LIMIT 200000;"),aes(x=route, fill = sex))+ geom_bar(alpha=0.6)

输出例如以下:

技术分享

ggplot(sqldf("SELECT d.sex as sex, o.outc_cod as outcome
                     FROM demo_all d
                     INNER JOIN outc_all o
                     ON d.primaryid=o.primaryid
                     WHERE d.age BETWEEN 20 AND 100 AND sex IN (‘F‘,‘M‘)
                     LIMIT 20000;"),aes(x=outcome,fill=sex))+ geom_bar(alpha = 0.6)

输出例如以下(译者注:哥们儿挺住,你就快看完了!。。):

技术分享

UNION ALL

demo1= demo_all[1:20000,]
demo2=demo_all[20001:40000,]
R6 <- rbind(demo1, demo2)
SQL6 <- sqldf("SELECT  * FROM demo1 UNION ALL SELECT * FROM demo2;")
compare(R6,SQL6, allowAll = TRUE)
TRUE

INTERSECT

R7 <- semi_join(demo1, demo2)
SQL7 <- sqldf("SELECT  * FROM demo1 INTERSECT SELECT * FROM demo2;")
compare(R7,SQL7, allowAll = TRUE)
TRUE

EXCEPT

R8 <- anti_join(demo1, demo2)
SQL8 <- sqldf("SELECT  * FROM demo1 EXCEPT SELECT * FROM demo2;")
compare(R8,SQL8, allowAll = TRUE)
TRUE

我们下篇文章再见!

假设你有不论什么建议和意见,请在下方留言。

翻译感悟:这篇文章的作者不厌其烦地演示了利用怎样sqldf包在R中实现大部分经常使用的SQL命令,并将其结果和直接调用对应的R函数的结果做了对比。证明了二者的等价性。

我十分敬佩作者能走完这个及其枯燥的流程。

但我不想再翻译第二篇这样的风格的文章了。。

注:原文刊载于datascience+站点

链接:http://datascienceplus.com/performing-sql-selects-on-r-data-frames/

以上是关于r语言中怎样查看函数源代码的主要内容,如果未能解决你的问题,请参考以下文章

怎样才能学好电脑的R语言?

C语言设计出来的程序 的背景颜色怎样通过代码控制?

怎样用r语言 分时间段 取数据

数据科学02 | R语言程序设计-数据结构与函数

R语言介绍

r语言怎样把新数据再加到已有数据的excel表格里