张敬信：我的R语言新书信息汇总​zhuanlan.zhihu.com

0.3 R 语言编程思想

0.3.1 面向对象

R 是一种基于对象的编程语言，即在定义类的基础上，创建与操作对象；数值向量、函数、图形等都是对象。Python的一切皆为对象也适用于 R。

a 

b 

f 

早期和底层 R 语言中的面向对象编程是通过泛型函数来实现的，以 S3 类、S4 类为代表。新出现的 R6 类更适合用来实现通常所说的面向对象编程（OOP），包含类、属性、方法、继承、多态等概念。

面向对象的内容是 R 语言编程的高级内容，有上述基本了解即可，本书不做具体展开，只在附录放一个用 R6类面向对象编程的简单示例，有兴趣的读者可参阅 [@hadley2019]。

0.3.2 面向函数

笼统来说，R 语言就两个事情：数据，对数据应用操作。这个操作就是函数，包括 R 自带的函数，各种扩展包里的函数，自定义的函数。

所以，使用 R 大部分时间都是在与函数打交道，学会了使用函数，R 语言也就学会了一半，**啊？R 这么简单？？确实差不多[脚注2]，很多人说 R 简单易学，也是因为此。

脚注2: 前提是不把 R 当一门编程语言，只想简单套用现成的算法模型。

编程中的函数，是用来实现某个功能，其一般形式为：

(

你只要把输入给它，它就能在内部进行相应处理，把你想要的返回值给你。

这些输入和返回值，在函数定义时，都要有固定的类型（模具）限制，叫做形参（形式上的参数）；在函数调用时，必须给它对应类型的具体数值，才能真正的去做处理，这叫做实参（实际的参数）。

所以，定义函数就好比创造一个模具，调用函数就好比用模具批量生成产品。

使用函数最大的好处，就是将实现某个功能，封装成模具，从而可以反复使用。这就避免了写大量重复的代码，程序的可读性也大大加强。

下面看一个调用函数的例子。比如想做线性回归，通过网络搜索知道是用自带 `lm()` 函数实现。那么先打开该函数的帮助：

?

执行 `?函数名`，若函数来自扩展包需要事先加载包，则在 Rstudio 右下角窗口打开函数帮助界面，一般至少包括如下内容：

• 函数描述
• 函数语法格式
• 函数参数说明
• 函数返回值
• 函数示例

通过阅读函数描述、参数说明、返回值，再调试示例，就能快速掌握该函数的使用。

函数包含很多参数，常用参数往往只是前几个。比如 `lm()` 的常用参数是：

• formula: 设置线性回归公式形式：因变量 ~ 自变量 + 自变量
• data: 提供数据（框）

使用自带的 `mtcars` 数据集演示，按照函数参数要求的对象类型提供实参：

head

model 

所有的 R 函数，即使是陌生的，都可以这样来使用。

0.3.3 向量化编程

高级编程语言都提倡向量化编程[脚注3]，说白了就是，对一列/矩阵/多维数组的数同时做同样的操作，既提升程序效率又大大简洁代码。

脚注3: 向量化编程中的向量，泛指向量/矩阵/多维数组。

向量化编程，关键是要用整体考量的思维来思考、来表示运算，这需要用到《线性代数》的知识，其实我觉得《线性代数》最有用的知识就是向量/矩阵化表示运算。

比如考虑

元一次线性方程组：

若从整体的角度来考量，引入矩阵和向量：

则前面的

元一次线性方程组，可以向量化表示为：

可见，向量化表示大大简化了表达式。这放在编程中，就相当于本来用两层 `for` 循环才能表示的代码，简化为了短短一行代码。

向量化编程其实并不难，关键是要转变思维惯式：很多人学完 C 语言后的后遗症，就是首先想到的总是逐元素的 `for` 循环。摆脱这种想法，调动头脑里的《线性代数》知识，尝试用向量/矩阵表示，长此以往，向量化编程思维就有了。

下面以计算决策树算法中的样本经验熵为例来演示向量化编程。

对于数据集 D，

表示第

类样本所占的比例，则 D 的样本经验熵为

其中，

表示集合包含的元素个数。

实际中经常遇到要把数学式子变成代码，与前文自己写代码所谈到的一样，首先你要看懂式子，拿简单实例逐代码片段调试就能解决。

这里 D 是数据集，比如西瓜分类数据：

df 

因变量好瓜表示是否为好瓜，取值为 “是” 和 “否”，则 D 分为两类：

为好瓜类，

为坏瓜类。因为只需要对各类做计数，只关心这一列数据就够了。

从内到外先要计算

, 用向量化的思维同时计算，就是统计各分类的样本数，再除以总样本数：

Y 

p 

继续代入公式计算，记住 R 自带函数天然就接受向量做输入参数：

log2

p 

- 

看着挺复杂的公式用向量化编程，核心代码只有两行：计算 p 和最后一行。这个实例虽然简单，但基本涉及到所有常用的向量化操作：

• 向量与标量做运算
• 向量与向量做四则运算
• 函数作用到向量

参考文献：

【@hadley2019】Hadley Wickham, Advanced R. Advanced R

————————————

版权声明：原创作品，版权所有，禁止用于一切出版。