name - subset vector r

¿Por qué `[` es mejor que `subconjunto`?

Question

Cuando necesito filtrar un data.frame, es decir, extraer filas que cumplan ciertas condiciones, prefiero usar la función de subset :

subset(airquality, Month == 8 & Temp > 90)

En lugar de la [ función:

airquality[airquality$Month == 8 & airquality$Temp > 90, ]

Hay dos razones principales para mi preferencia:

1. Encuentro que el código se lee mejor, de izquierda a derecha. Incluso las personas que no saben nada sobre R podrían decir lo que está haciendo la declaración del subset anterior.

2. Como las columnas se pueden denominar variables en la expresión de select , puedo guardar algunas pulsaciones de tecla. En mi ejemplo anterior, solo tuve que escribir airquality una vez con subset , pero tres veces con [ .

Así que vivía feliz, usaba un subset todas partes porque es más corto y se lee mejor, incluso defendiendo su belleza ante mis compañeros codificadores. Pero ayer mi mundo se rompió. Mientras leo la documentación del subset , me doy cuenta de esta sección:

Advertencia

Esta es una función de conveniencia para uso interactivo. Para la programación, es mejor usar las funciones de subconjunto estándar como [, y en particular la evaluación no estándar del subconjunto de argumentos puede tener consecuencias imprevistas.

¿Podría alguien ayudar a aclarar lo que quieren decir los autores?

Primero, ¿qué quieren decir con " para uso interactivo "? Sé lo que es una sesión interactiva, a diferencia de un script ejecutado en modo BATCH, pero no veo qué diferencia debería hacer.

Entonces, ¿podría explicar " la evaluación no estándar del subconjunto de argumentos " y por qué es peligroso, tal vez proporcionar un ejemplo?

Answer 1

Esta pregunta fue bien respondida en los comentarios de @James, señalando una excelente explicación de Hadley Wickham sobre los peligros del subset (y funciones similares) [here] . Ve a leerlo!

Es una lectura algo larga, por lo que puede ser útil anotar aquí el ejemplo que Hadley usa y que aborda más directamente la pregunta "¿qué puede salir mal?":

Hadley sugiere el siguiente ejemplo: supongamos que deseamos subcontratar y luego reordenar un marco de datos usando las siguientes funciones:

scramble <- function(x) x[sample(nrow(x)), ]

subscramble <- function(x, condition) {
  scramble(subset(x, condition))
}

subscramble(mtcars, cyl == 4)

Esto devuelve el error:

Error en eval (expr, envir, enclos): objeto ''cyl'' no encontrado

porque R ya no "sabe" dónde encontrar el objeto llamado ''cyl''. También señala las cosas realmente extrañas que pueden suceder si por casualidad hay un objeto llamado ''cyl'' en el entorno global:

cyl <- 4
subscramble(mtcars, cyl == 4)

cyl <- sample(10, 100, rep = T)
subscramble(mtcars, cyl == 4)

(Ejecutarlos y ver por ti mismo, es bastante loco.)

Answer 2

También [ es más rápido:

require(microbenchmark)        
microbenchmark(subset(airquality, Month == 8 & Temp > 90),airquality[airquality$Month == 8 & airquality$Temp > 90,])
    Unit: microseconds
                                                           expr     min       lq   median       uq     max neval
                     subset(airquality, Month == 8 & Temp > 90) 301.994 312.1565 317.3600 349.4170 500.903   100
     airquality[airquality$Month == 8 & airquality$Temp > 90, ] 234.807 239.3125 244.2715 271.7885 340.058   100