跳至主要内容

提升 R 代码的五个技巧

五个实用技巧，助您高效改进 R 代码：从用 seq() 创建序列到丢掉 which()，以及更多！
· 8分钟 阅读

使用 AI 探索

@drsimonj 在这里分享我经常与 R 同行交流的五个简单技巧，帮您改进代码！

1. 从 1 开始生成序列更“有趣”

下次当您用冒号运算符从 1 生成序列（如 1:n）时，试试 seq() 吧。

# Sequence a vector
x <- runif(10)
seq(x)
#>  [1]  1  2  3  4  5  6  7  8  9 10

# Sequence an integer
seq(nrow(mtcars))
#>  [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
#> [24] 24 25 26 27 28 29 30 31 32

冒号运算符可能产生出乎意料的结果，让您在不知不觉中掉坑！看看当您想对一个空向量的长度生成序列会发生什么：

# Empty vector
x <- c()

1:length(x)
#> [1] 1 0

seq(x)
#> integer(0)

您还会注意到，这样可以省去使用 length() 之类的函数。当 seq() 作用于一个具有特定长度的对象时，它会自动生成从 1 到该对象长度的序列。

2. 用 vector() 来创建您要 c() 的

下次当您用 c() 创建空向量时，试着改用 vector("type", length)。

# A numeric vector with 5 elements
vector("numeric", 5)
#> [1] 0 0 0 0 0

# A character vector with 3 elements
vector("character", 3)
#> [1] "" "" ""

这样做可以改善内存使用并提升速度！您往往能够事先知道向量会存放什么类型的值，以及向量会有多长。使用 c() 意味着 R 需要慢慢地把这两件事都摸清楚。所以，用 vector() 给它加把劲吧！

这个做法在 for 循环中尤为明显。大家常常先声明一个空向量，然后用 c() 逐步扩展，像这样：

x <- c()
for (i in seq(5)) {
  x <- c(x, i)
}

#> x at step 1 : 1
#> x at step 2 : 1, 2
#> x at step 3 : 1, 2, 3
#> x at step 4 : 1, 2, 3, 4
#> x at step 5 : 1, 2, 3, 4, 5

相反，先用 vector() 预定义类型和长度，再用索引按位置赋值，如下：

n <- 5
x <- vector("integer", n)
for (i in seq(n)) {
  x[i] <- i
}

#> x at step 1 : 1, 0, 0, 0, 0
#> x at step 2 : 1, 2, 0, 0, 0
#> x at step 3 : 1, 2, 3, 0, 0
#> x at step 4 : 1, 2, 3, 4, 0
#> x at step 5 : 1, 2, 3, 4, 5

这里有个简单的速度对比：

n <- 1e5

x_empty <- c()
system.time(for(i in seq(n)) x_empty <- c(x_empty, i))
#>    user  system elapsed 
#>  15.238   2.327  17.650

x_zeros <- vector("integer", n)
system.time(for(i in seq(n)) x_zeros[i] <- i)
#>    user  system elapsed 
#>   0.007   0.000   0.007

这应该足够有说服力了！

3. 丢掉 which()

下次您想用 which() 时，不妨试着不用！大家常常用 which() 根据布尔条件获取索引，再用这些索引去选择值。其实没有必要。

获取大于 5 的向量元素：

x <- 3:7

# Using which (not necessary)
x[which(x > 5)]
#> [1] 6 7

# No which
x[x > 5]
#> [1] 6 7

或者统计大于 5 的值的数量：

# Using which
length(which(x > 5))
#> [1] 2

# Without which
sum(x > 5)
#> [1] 2

为什么要丢掉 which()？它往往是多余的，布尔向量就足够了。

例如，R 允许您用布尔向量中标记为 TRUE 的位置来选择元素：

condition <- x > 5
condition
#> [1] FALSE FALSE FALSE  TRUE  TRUE
x[condition]
#> [1] 6 7

此外，将布尔向量与 sum() 或 mean() 结合，可用于得到满足条件的计数或比例：

sum(condition)
#> [1] 2
mean(condition)
#> [1] 0.4

which() 会告诉您 TRUE 值的索引：

which(condition)
#> [1] 4 5

虽然结果没错，但确实没必要。比如我经常看到有人把 which() 和 length() 结合起来测试是否有任一值或所有值为 TRUE。其实，您只需要 any() 或 all()：

x <- c(1, 2, 12)

# Using `which()` and `length()` to test if any values are greater than 10
if (length(which(x > 10)) > 0)
  print("At least one value is greater than 10")
#> [1] "At least one value is greater than 10"

# Wrapping a boolean vector with `any()`
if (any(x > 10))
  print("At least one value is greater than 10")
#> [1] "At least one value is greater than 10"

# Using `which()` and `length()` to test if all values are positive
if (length(which(x > 0)) == length(x))
  print("All values are positive")
#> [1] "All values are positive"

# Wrapping a boolean vector with `all()`
if (all(x > 0))
  print("All values are positive")
#> [1] "All values are positive"

哦，而且还能帮您省点时间……

x <- runif(1e8)

system.time(x[which(x > .5)])
#>    user  system elapsed 
#>   1.156   0.522   1.686

system.time(x[x > .5])
#>    user  system elapsed 
#>   1.071   0.442   1.662

4. 给这个因子再来个 factor！

是否遇到过从因子中移除某些值后，仍然残留不再存在的旧水平？我见过各种创意做法来处理这个问题。最简单的解决方案，往往就是再包一层 factor()。

下面的示例创建了一个包含四个水平（"a"、"b"、"c" 和 "d"）的因子：

# A factor with four levels
x <- factor(c("a", "b", "c", "d"))
x
#> [1] a b c d
#> Levels: a b c d

plot(x)

R tips

如果您删除了某个水平（"d"）的所有观测，这个水平仍会记录在因子中：

# Drop all values for one level
x <- x[x != "d"]

# But we still have this level!
x
#> [1] a b c
#> Levels: a b c d

plot(x)

example

一个超简单的去除方法就是再用一次 factor()：

x <- factor(x)
x
#> [1] a b c
#> Levels: a b c

plot(x)

example

这通常是一个能解决许多人头疼问题的好办法。所以，省点心，再给那个因子来个 factor 吧！

5. 先拿到 $，再掌握效率

下次当您想从 data.frame 中抽取某列、且仅保留符合条件的行时，请先用 $ 指定列，再用 [ 指定行。

比如，您想在 mtcars 数据集中获取 4 缸（cyl）车型的马力（hp）。可以这样写：

# rows first, column second - not ideal
mtcars[mtcars$cyl == 4, ]$hp
#>  [1]  93  62  95  66  52  65  97  66  91 113 109

# column first, rows second - much better
mtcars$hp[mtcars$cyl == 4]
#>  [1]  93  62  95  66  52  65  97  66  91 113 109

这里的建议是使用第二种方式。

为什么呢？

第一：摆脱恼人的逗号！当您先指定行再指定列时，需要记住这个逗号：mtcars[mtcars$cyl == 4,]$hp。先指定列意味着您现在操作的是一个向量，不再需要逗号！

第二：更快！我们在一个更大的数据框上试试：

# Simulate a data frame...
n <- 1e7
d <- data.frame(
  a = seq(n),
  b = runif(n)
)

# rows first, column second - not ideal
system.time(d[d$b > .5, ]$a)
#>    user  system elapsed 
#>   0.497   0.126   0.629

# column first, rows second - much better
system.time(d$a[d$b > .5])
#>    user  system elapsed 
#>   0.089   0.017   0.107

值了吧？

不过，如果您想把 R 数据框技能练到极致，我建议学习 dplyr。您可以在 dplyr 网站上快速了解，或通过 DataCamp 的在线课程 Data Manipulation in R with dplyr 系统入门。

结语

感谢阅读，希望对您有所帮助。

如需获取最新博文更新，请在 Twitter 上关注 @drsimonj，或发送邮件至 [email protected] 与我联系。

如果您想获取生成本博文的代码，请查看 blogR GitHub 仓库。

欢迎查看我们的Tidyverse 入门教程。

主题

R数据科学