完成R Programming第三周

這周作業(yè)有點繞，更多地是通過一個緩存逆矩陣的案例，向我們示范【詞法作用域 Lexical Scopping】的功效。但是作業(yè)里給出的函數(shù)有點繞口，花費了我們蠻多心思。

Lexical Scopping:

The value of free variables are searched for in the environment where the function was defined。

因此

make.power<-function(n){pow<-function(x) {x^n} } View Code

對于上訴函數(shù)，make.power(3)生成的不是一個數(shù)值，而是生成了一個新的函數(shù)。由此，

cube<-make.power(3) square<-make.power(2)cube(3) ---> 27 square(3) ---->9

make.power(3)生成了一個x^3的函數(shù)，而make.power(2)生成了一個x^2的函數(shù)。這里的n只會在函數(shù)定義的范圍里去查找值，不會越過函數(shù)再繼續(xù)查找。內(nèi)置函數(shù)的Parent environment就是定義這個函數(shù)本身的函數(shù)。

據(jù)老師說，這樣子的詞法作用域，同時適用于python等較新潮的函數(shù)。或?qū)⒊蔀槲磥砭幊探绲闹髁鳌?#xff08;compared with dynamic scoping)，不過有個問題就是……基于復(fù)雜的環(huán)境啊等等，這些一般都是作用于物理內(nèi)存里的，對內(nèi)存依賴度很高。

在這里有提及，對于這些復(fù)雜的繞來繞去的作用域，一個比較簡單的方法是：

Is(environment((cube)) >- n, pow (environment內(nèi)部有兩個對象） get("n",environment((cube)) 可以看到n定義為3

以上兩個函數(shù)可以查看環(huán)境調(diào)用對象。適于檢查。

另外附上本次作業(yè)，老師給出的示范例子，以及我個人加的備注項

makeVector<-function(x= numeric()){m<-NULL#把m賦值為nullset<-function(y){x<<-y #set(y)后，x=y,m=nullm<<-NULL}get <-function() x #把x賦值給getsetmean<-function(mean) m<<-mean #這里求均值，只是依然存疑，為什么這里要用function(mean）。。或者在本函數(shù)里，不會做mean相關(guān)的操作，真正的solve實在cachemean里執(zhí)行？ getmean<-function() m #這里把m復(fù)制給getmean（NULL）list(set=set,get=get,setmean=setmean,getmean=getmean) } cachemean<-function(x, ...){m<-x$getmean() #首先把getmean賦值給m，如果m不是NULL的話彈出下列提示if(!is.null(m)){message("getting cached data")return(m)}#出現(xiàn)緩存值data<-x$get()#把最開始的numberic向量賦值給datam<-mean(data, ...) x$setmean(m)緩存mm }

以上

另外，本周還講了幾個有用的函數(shù)

lapply (對list）

sapply(lapply的簡化版，如果list內(nèi)均為單個數(shù)值，可以輸出向量vector，如果等長度，可輸出matrix，如果不同長度，輸出list）

apply(適用于數(shù)組，即都是數(shù)的矩陣等，與for相比，字段更少，代碼更加簡潔，舉例如apply(array,Margin,fun),里面margin,1為行row,2為列column

　　據(jù)說rowSums, rowMeans,colSums,colMeans效率更高，沒具體試過

mapply（生成list很方便），如下面兩行代碼，效率一致，適用于把一個fun應(yīng)用到不同參數(shù)里　　

mapply(rep,1:4,4:1) list(rep(1,4),rep(2,3),rep(3,2),rep(4,1))

tapply(用于對向量的子集做循環(huán)，用因子分組)

split(用因子向量對x分組）

library(datasets) data(iris)#探索性分析 names(iris) head(iris) #以下嘗試取virginica,speal.Length的方法均錯誤 iris[,2] iris[iris$Species=="virginica",2] mean(iris[iris$Species=="virginica",2]) ##the above is error,not correct## tapply(test$Sepal.Length,test$Species,mean) #用species.mean對向量進(jìn)行分組，此法可行，但上述方法為何錯誤需要再看 library(datasets) data(mtcars)#以下為做某個題時的若干測試。以及試錯環(huán)節(jié)。lapply, tapply,split的用途，以及[[1]]怎么用 #count mpg via cyl d<-tapply(mtcars$mpg,mtcars$cyl,mean) #split out the mtcars, get a list split(mtcars,mtcars$cyl)#get every mtcars mean lapply(mtcars,mean) #error in match fun.(Fun), mtcars$cyl should be numberic or charter sapply(mtcars,mtcars$cyl,mean)##test 4## #the below is uncorrect# #對于tapply出來的向量，可用[[1]]來取值 d[[1]]-d[[3]]library(datasets) head(mtcars) ?mtcars d<-tapply(mtcars$hp,mtcars$cyl,mean) d[[1]]-d[[3]]

以上結(jié)束

總體感想，雖然mooc對JHU的coursera課褒貶不一，但是認(rèn)真聽下來，比自行看書要容易入門。

以及編程這種事，必須多寫，多交流，才能獲得好處。

加油！

轉(zhuǎn)載于:https://www.cnblogs.com/weibaar/p/4175742.html

總結(jié)

以上是生活随笔為你收集整理的Coursera系列-R Programming第三周-词法作用域的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。