Когда мне нужно отфильтровать data.frame, т.е. извлечь строки, соответствующие определенным условиям, я предпочитаю использовать функцию subset
:
subset(airquality, Month == 8 & Temp > 90)
Вместо функции [
:
airquality[airquality$Month == 8 & airquality$Temp > 90, ]
Есть две основные причины моего предпочтения:
Я считаю, что код читается лучше, слева направо. Даже люди, которые ничего не знают о R, могут сказать, что делает инструкция subset
выше.
Поскольку столбцы можно назвать переменными в выражении select
, я могу сэкономить несколько нажатий клавиш. В приведенном выше примере мне приходилось вводить airquality
один раз с subset
, но три раза с [
.
Итак, я жил счастливым, используя subset
всюду, потому что он короче и читает лучше, даже защищая его красоту среди моих соратников-кодеров. Но вчера мой мир развалился. Читая документацию subset
, я замечаю этот раздел:
Предупреждение
Это функция удобства, предназначенная для интерактивного использования. Для программирования лучше использовать стандартные функции подмножества, такие как [, и, в частности, нестандартная оценка подмножества аргументов может иметь непредвиденные последствия.
Может кто-то помочь прояснить, что означают авторы?
Во-первых, что они подразумевают под "для интерактивного использования"? Я знаю, что такое интерактивный сеанс, в отличие от script в режиме BATCH, но я не вижу, какую именно разницу он должен сделать.
Тогда, не могли бы вы объяснить "нестандартную оценку подмножества аргументов" и почему это опасно, может быть, пример?
На этот вопрос был дан ответ в комментариях @James, указывая на отличное объяснение Хэдли Викхэма об опасностях subset
(и подобных ему функциях) [здесь]. Пойдите, прочитайте это!
Это несколько длинное чтение, поэтому может быть полезно записать здесь пример, который использует Хэдли, который наиболее непосредственно затрагивает вопрос "что может пойти не так?":
Хэдли предлагает следующий пример: предположим, что мы хотим подмножество, а затем переупорядочить кадр данных, используя следующие функции:
scramble <- function(x) x[sample(nrow(x)), ]
subscramble <- function(x, condition) {
scramble(subset(x, condition))
}
subscramble(mtcars, cyl == 4)
Это возвращает ошибку:
Ошибка в eval (expr, envir, enc): объект 'cyl' не найден
потому что R больше не "знает", где найти объект, называемый "цил". Он также указывает на действительно причудливые вещи, которые могут произойти, если случайно в глобальной среде есть объект, называемый "цил":
cyl <- 4
subscramble(mtcars, cyl == 4)
cyl <- sample(10, 100, rep = T)
subscramble(mtcars, cyl == 4)
(Запустите их и убедитесь сами, это довольно сумасшедшее.)
subset(mtcars, cyl == 4)
(на верхнем уровне), где R ищет цил? Если он смотрит на объект mtcars
который передается в subset()
, то не должен ли он найти cyl
даже если scramble
находится в другой функции, поскольку mtcars
все еще передается ему? Если мой вопрос не имеет смысла, вы можете подробнее рассказать, почему R больше не может найти cyl
. Спасибо!
subset.data.frame
, вещь, которую мы пытаемся оценить в этот момент, это просто condition
. Этого не существует в mtcars
. Поэтому subset.data.frame
использует enclos = parent.frame()
чтобы убедиться, что condition
правильно оценено как cyl == 4
. Но затем мы вернулись к рамке, и теперь, когда R ищет cyl
он больше не смотрит внутрь mtcars
. Если бы мы не использовали enclos
, что-то вроде subset(mtcars,cyl == a)
не сработало бы вообще.
Также [
выполняется быстрее:
require(microbenchmark)
microbenchmark(subset(airquality, Month == 8 & Temp > 90),airquality[airquality$Month == 8 & airquality$Temp > 90,])
Unit: microseconds
expr min lq median uq max neval
subset(airquality, Month == 8 & Temp > 90) 301.994 312.1565 317.3600 349.4170 500.903 100
airquality[airquality$Month == 8 & airquality$Temp > 90, ] 234.807 239.3125 244.2715 271.7885 340.058 100
subset
отличие от [
удаляет строки, в которых фильтр оценивается как NA
. Сделайте это, и вы увидите, что они оба так же быстры, если сравнивать их «довольно»: x <- do.call(rbind, rep(list(airquality), 100)); microbenchmark(subset(x, Month == 8 & Temp > 90),{ i <- x$Month == 8 & x$Temp > 90; x[!is.na(i) & i ,] })
with(airquality, airquality[Month == 8 & Temp > 90, ])
subset()
: r.789695.n4.nabble.com/…