[英]Pass a data.frame column name to a function that uses purrr::map
[英]Pass a data.frame column name to a function
我正在嘗試編寫一個 function 來接受一個 data.frame ( x
) 和它的一column
。 function 對 x 執行一些計算,然后返回另一個 data.frame。 我堅持使用最佳實踐方法將列名傳遞給 function。
下面的兩個最小示例fun1
和fun2
產生了期望的結果,能夠對x$column
執行操作,以max()
為例。 然而,兩者都依賴於看似(至少對我而言)不雅的
substitute()
和eval()
fun1 <- function(x, column){
do.call("max", list(substitute(x[a], list(a = column))))
}
fun2 <- function(x, column){
max(eval((substitute(x[a], list(a = column)))))
}
df <- data.frame(B = rnorm(10))
fun1(df, "B")
fun2(df, "B")
例如,我希望能夠將 function 稱為fun(df, B)
。 我考慮過但沒有嘗試過的其他選項:
column
作為列號的 integer 傳遞。 我認為這可以避免substitute()
。 理想情況下,function 可以接受其中任何一個。with(x, get(column))
,但是,即使它有效,我認為這仍然需要substitute
formula()
和match.call()
,我都沒有太多經驗。 子問題: do.call do.call()
優於eval()
嗎?
您可以直接使用列名:
df <- data.frame(A=1:10, B=2:11, C=3:12)
fun1 <- function(x, column){
max(x[,column])
}
fun1(df, "B")
fun1(df, c("B","A"))
沒有必要使用替代、評估等。
您甚至可以將所需的函數作為參數傳遞:
fun1 <- function(x, column, fn) {
fn(x[,column])
}
fun1(df, "B", max)
或者,使用[[
也適用於一次選擇一列:
df <- data.frame(A=1:10, B=2:11, C=3:12)
fun1 <- function(x, column){
max(x[[column]])
}
fun1(df, "B")
這個答案將涵蓋許多與現有答案相同的元素,但是這個問題(將列名傳遞給函數)經常出現,我希望有一個更全面地涵蓋事物的答案。
假設我們有一個非常簡單的數據框:
dat <- data.frame(x = 1:4,
y = 5:8)
我們想編寫一個函數來創建一個新列z
,該列是x
和y
列的總和。
這里一個非常常見的絆腳石是自然(但不正確)的嘗試通常如下所示:
foo <- function(df,col_name,col1,col2){
df$col_name <- df$col1 + df$col2
df
}
#Call foo() like this:
foo(dat,z,x,y)
這里的問題是df$col1
不計算表達式col1
。 它只是在df
查找字面上稱為col1
的列。 此行為在“遞歸(類列表)對象”部分下的?Extract
進行了描述。
最簡單也是最常推薦的解決方案是簡單地從$
切換到[[
並將函數參數作為字符串傳遞:
new_column1 <- function(df,col_name,col1,col2){
#Create new column col_name as sum of col1 and col2
df[[col_name]] <- df[[col1]] + df[[col2]]
df
}
> new_column1(dat,"z","x","y")
x y z
1 1 5 6
2 2 6 8
3 3 7 10
4 4 8 12
這通常被認為是“最佳實踐”,因為它是最難搞砸的方法。 將列名作為字符串傳遞是盡可能明確的。
以下兩個選項更高級。 許多流行軟件的使用這類技術,但使用起來也需要更多的謹慎態度和技能,因為他們可以引入微妙的復雜性和失敗的意料之外點。 Hadley 的 Advanced R 書的這一部分是其中一些問題的極好參考。
如果你真的想避免用戶輸入所有這些引號,一種選擇可能是使用deparse(substitute())
將裸露的、未加引號的列名轉換為字符串:
new_column2 <- function(df,col_name,col1,col2){
col_name <- deparse(substitute(col_name))
col1 <- deparse(substitute(col1))
col2 <- deparse(substitute(col2))
df[[col_name]] <- df[[col1]] + df[[col2]]
df
}
> new_column2(dat,z,x,y)
x y z
1 1 5 6
2 2 6 8
3 3 7 10
4 4 8 12
坦率地說,這可能有點傻,因為我們確實在做與new_column1
相同的事情,只是做了一堆額外的工作來將裸名稱轉換為字符串。
最后,如果我們想獲得真正看中的,我們可能會決定,而不是兩列的名字傳遞的增加,我們希望更加靈活,並允許兩個變量的其他組合。 在這種情況下,我們可能會在涉及兩列的表達式上使用eval()
:
new_column3 <- function(df,col_name,expr){
col_name <- deparse(substitute(col_name))
df[[col_name]] <- eval(substitute(expr),df,parent.frame())
df
}
只是為了好玩,我仍然使用deparse(substitute())
作為新列的名稱。 在這里,以下所有操作都將起作用:
> new_column3(dat,z,x+y)
x y z
1 1 5 6
2 2 6 8
3 3 7 10
4 4 8 12
> new_column3(dat,z,x-y)
x y z
1 1 5 -4
2 2 6 -4
3 3 7 -4
4 4 8 -4
> new_column3(dat,z,x*y)
x y z
1 1 5 5
2 2 6 12
3 3 7 21
4 4 8 32
所以簡短的回答基本上是:將 data.frame 列名稱作為字符串傳遞並使用[[
來選擇單列。 只有開始鑽研eval
, substitute
等,如果你真的知道自己在做什么。
我個人認為將列作為字符串傳遞非常難看。 我喜歡做這樣的事情:
get.max <- function(column,data=NULL){
column<-eval(substitute(column),data, parent.frame())
max(column)
}
這將產生:
> get.max(mpg,mtcars)
[1] 33.9
> get.max(c(1,2,3,4,5))
[1] 5
請注意 data.frame 的規范是如何可選的。 您甚至可以使用列的函數:
> get.max(1/mpg,mtcars)
[1] 0.09615385
另一種方法是使用tidy evaluation
方法。 將數據框的列作為字符串或裸列名稱傳遞非常簡單。 在此處查看有關tidyeval
更多信息。
library(rlang)
library(tidyverse)
set.seed(123)
df <- data.frame(B = rnorm(10), D = rnorm(10))
使用列名作為字符串
fun3 <- function(x, ...) {
# capture strings and create variables
dots <- ensyms(...)
# unquote to evaluate inside dplyr verbs
summarise_at(x, vars(!!!dots), list(~ max(., na.rm = TRUE)))
}
fun3(df, "B")
#> B
#> 1 1.715065
fun3(df, "B", "D")
#> B D
#> 1 1.715065 1.786913
使用裸列名稱
fun4 <- function(x, ...) {
# capture expressions and create quosures
dots <- enquos(...)
# unquote to evaluate inside dplyr verbs
summarise_at(x, vars(!!!dots), list(~ max(., na.rm = TRUE)))
}
fun4(df, B)
#> B
#> 1 1.715065
fun4(df, B, D)
#> B D
#> 1 1.715065 1.786913
#>
由reprex 包(v0.2.1.9000) 於 2019 年 3 月 1 日創建
使用dplyr
現在還可以通過在函數體內所需的列名周圍使用雙花括號{{...}}
來訪問數據幀的特定列,例如col_name
:
library(tidyverse)
fun <- function(df, col_name){
df %>%
filter({{col_name}} == "test_string")
}
作為一個額外的想法,如果需要將不帶引號的列名傳遞給自定義函數,也許match.call()
在這種情況下也很有用,作為deparse(substitute())
的替代方法:
df <- data.frame(A = 1:10, B = 2:11)
fun <- function(x, column){
arg <- match.call()
max(x[[arg$column]])
}
fun(df, A)
#> [1] 10
fun(df, B)
#> [1] 11
如果列名中有拼寫錯誤,那么停止並出現錯誤會更安全:
fun <- function(x, column) max(x[[match.call()$column]])
fun(df, typo)
#> Warning in max(x[[match.call()$column]]): no non-missing arguments to max;
#> returning -Inf
#> [1] -Inf
# Stop with error in case of typo
fun <- function(x, column){
arg <- match.call()
if (is.null(x[[arg$column]])) stop("Wrong column name")
max(x[[arg$column]])
}
fun(df, typo)
#> Error in fun(df, typo): Wrong column name
fun(df, A)
#> [1] 10
由reprex 包(v0.2.1) 於 2019 年 1 月 11 日創建
我不認為我會使用這種方法,因為除了傳遞上述答案中指出的引用列名之外,還有額外的類型和復雜性,但是,這是一種方法。
Tung 的回答和mgrund 的回答給出了整潔的評價。 在這個答案中,我將展示我們如何使用這些概念來做類似於joran 的答案(特別是他的 function new_column3
)的事情。 這樣做的目的是更容易看出基本評估和整潔評估之間的差異,以及查看可用於整潔評估的不同語法。 為此,您需要rlang
和dplyr
。
使用基礎評估工具(joran 的回答):
new_column3 <- function(df,col_name,expr){
col_name <- deparse(substitute(col_name))
df[[col_name]] <- eval(substitute(expr),df,parent.frame())
df
}
在第一行中, substitute
使我們將col_name
計算為一個表達式,更具體地說是一個符號(有時也稱為名稱),而不是 object。rlang 的替代品可以是:
ensym
- 把它變成一個符號;enexpr
- 把它變成一個表達式;enquo
- 把它變成一個 quosure,一個表達式,它也指向 R 應該尋找變量來評估它的環境。 大多數時候,您希望擁有指向環境的指針。 當您不是特別需要它時,擁有它很少會引起問題。 因此,大多數時候您可以使用enquo
。 在這種情況下,您可以使用ensym
使代碼更易於閱讀,因為它使col_name
是什么更清楚。
同樣在第一行, deparse
將表達式/符號轉換為字符串。 您也可以使用as.character
或rlang::as_string
。
在第二行中, substitute
項將expr
轉換為“完整”表達式(不是符號),因此ensym
不再是一個選項。
同樣在第二行,我們現在可以將eval
更改為rlang::eval_tidy
。 Eval 仍然可以與enexpr
一起使用,但不能與 quosure 一起使用。 當你有一個 quosure 時,你不需要將環境傳遞給評估 function (就像 joran 對parent.frame()
所做的那樣)。
上面建議的一種替代組合可能是:
new_column3 <- function(df,col_name,expr){
col_name <- as_string(ensym(col_name))
df[[col_name]] <- eval_tidy(enquo(expr), df)
df
}
我們還可以使用dplyr
運算符,它允許數據屏蔽(將數據框中的列評估為變量,通過其名稱調用它)。 我們可以使用[[
和mutate
將符號轉換為字符 + 子集df
的方法:
new_column3 <- function(df,col_name,expr){
col_name <- ensym(col_name)
df %>% mutate(!!col_name := eval_tidy(enquo(expr), df))
}
為了避免新列被命名為“col_name”,我們用 bang-bang !!
操作員。 因為我們對左側進行了操作,所以我們不能使用'normal' =
,而必須使用新語法:=
。
將列名轉換為符號,然后使用 bang-bang 對其進行焦慮求值的常見操作有一個快捷方式:花哨的{{
運算符:
new_column3 <- function(df,col_name,expr){
df %>% mutate({{col_name}} := eval_tidy(enquo(expr), df))
}
我不是 R 的評估專家,可能做了過度簡化,或者使用了錯誤的術語,所以請在評論中糾正我。 我希望對比較這個問題的答案中使用的不同工具有所幫助。
如果您嘗試在 R 包中構建此函數或只是想降低復雜性,您可以執行以下操作:
test_func <- function(df, column) {
if (column %in% colnames(df)) {
return(max(df[, column, with=FALSE]))
} else {
stop(cat(column, "not in data.frame columns."))
}
}
參數with=FALSE
“禁用將列作為變量引用的能力,從而恢復“data.frame 模式”(根據CRAN 文檔)。如果提供的列名在data.frame. 也可以在這里使用 tryCatch 錯誤處理。
這很好,但由於某種原因不適用於日期時間列。 它給了我這個錯誤 ..Error in Ops.POSIXt(dataset[[col_name_x]], z) :
沒有為“POSIXt”對象定義“*”有什么建議嗎?
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.