示例不起作用

Question

非标准评估非常方便使用dplyr的动词。但使用它们可能会有问题带有函数参数的动词。例如，让我们说我想创建一个函数给出了给定物种的行数。

# Load packages and prepare data
library(dplyr)
library(lazyeval)
# I prefer lowercase column names
names(iris) <- tolower(names(iris))
# Number of rows for all species
nrow(iris)
# [1] 150

示例不起作用

此功能无法正常工作，因为species 在虹膜数据帧的上下文中进行解释而不是在上下文中解释函数参数：

nrowspecies0 <- function(dtf, species){
    dtf %>%
        filter(species == species) %>%
        nrow()
}
nrowspecies0(iris, species = "versicolor")
# [1] 150

3个实施例

要解决非标准评估，我通常用下划线附加参数：

nrowspecies1 <- function(dtf, species_){
    dtf %>%
        filter(species == species_) %>%
        nrow()
}

nrowspecies1(iris, species_ = "versicolor")
# [1] 50
# Because of function name completion the argument
# species works too
nrowspecies1(iris, species = "versicolor")
# [1] 50

这并不完全令人满意因为它将函数参数的名称更改为不太方便用户的东西。或者它依赖于自动完成我担心这不是编程的好习惯。为了保持一个好的参数名称，我能做到：

nrowspecies2 <- function(dtf, species){
    species_ <- species
    dtf %>%
        filter(species == species_) %>%
        nrow()
}
nrowspecies2(iris, species = "versicolor")
# [1] 50

解决非标准评估的另一种方法基于this answer。 interp()在语境中解释species 功能环境：

nrowspecies3 <- function(dtf, species){
    dtf %>%
        filter_(interp(~species == with_species, 
                       with_species = species)) %>%
        nrow()
}
nrowspecies3(iris, species = "versicolor")
# [1] 50

考虑到上面的3个功能，什么是首选 - 最强大 - 实现此过滤功能的方法？还有其他方法吗？

Answer 1

@eddi 的答案对于此处发生的事情是正确的。我正在编写另一个答案，解决了如何使用dplyr动词编写函数的更大请求。您会注意到，最终，它使用类似nrowspecies2的内容来避免species == species重言式。

要编写一个包含将与NSE 一起使用的dplyr动词的函数，请编写两个函数：

首先使用lazyeval和编写需要引用输入的版本 dplyr动词的SE版本。所以在这种情况下，filter_。

nrowspecies_robust_ <- function(data, species){ 
  species_ <- lazyeval::as.lazy(species) 
  condition <- ~ species == species_ # *
  tmp <- dplyr::filter_(data, condition) # **
  nrow(tmp)
} 
nrowspecies_robust_(iris, ~versicolor)

第二次制作使用NSE的版本：

nrowspecies_robust <- function(data, species) { 
  species <- lazyeval::lazy(species) 
  nrowspecies_robust_(data, species) 
} 
nrowspecies_robust(iris, versicolor)

* =如果你想做一些更复杂的事情，你可能需要在这里使用lazyeval::interp，如下面提到的提示

** =如果您需要更改输出名称，请参阅.dots参数

对于上述内容，我遵循了some tips from Hadley
另一个优秀的资源是the dplyr vignette on NSE，其中展示了.dots，interp以及lazyeval包中的其他功能
有关lazyeval see it's vignette
有关使用NSE的基本R工具的详尽讨论（其中许多lazyeval可帮助您避免），请参阅高级R中的the chapter on NSE

Answer 2

这个问题与非标准评估完全无关。让我重写你的初始功能，以明确说明：

nrowspecies4 <- function(dtf, boo){
    dtf %>%
        filter(boo == boo) %>%
        nrow()
}
nrowspecies4(iris, boo = "versicolor")
#150

filter内的表达式始终评估为TRUE（几乎总是 - 请参阅下面的示例），这就是为什么它不起作用，而不是因为某些NSE魔法。

您的nrowspecies2是可行的方式。

Fwiw，您species中的nrowspecies0确实被评估为列，而不是输入变量species，您可以通过将nrowspecies0(iris, NA)与{{进行比较来检查1}}。

Answer 3

in his 2016 UseR talk（@ 38min30s），Hadley Wickham解释了referential transparency的概念。使用公式，过滤函数可以重新表述为：

nrowspecies5 <- function(dtf, formula){
    dtf %>%
        filter_(formula) %>%
        nrow()
}

这具有更多通用的附加好处

nrowspecies5(iris, ~ species == "versicolor")
# 50
nrowspecies5(iris, ~ sepal.length > 6 & species == "virginica")
# 41
nrowspecies5(iris, ~ sepal.length > 6 & species == "setosa")
# 0

使用传递给dplyr :: filter的参数创建一个函数，解决nse的最佳方法是什么？

示例不起作用

3个实施例

3 个答案: