假设我们有一个变量, 这个变量的值是字符串, 这个字符串是某一个数据集的变量名.
library(rlang)
VarName <- "Species"然后,我们想要通过变量提取 iris 数据集中的Species列
iris$VarName## NULL可以看到,返回结果是NULL. 对于这个例子,实现的方式有两种:
x <- parse(text = paste("iris$",VarName,sep = ""))
x## expression(iris$Species)head(eval(x)) # iris[VarName]## [1] setosa setosa setosa setosa setosa setosa
## Levels: setosa versicolor virginica通过字符串创建表达式,然后运行表达式是非常常用的一种技巧.
在base R中，expression函数可以将执行的代码暂停到expression的中间态，而eval函数（evaluate）则可以继续执行一个被暂停的expression语句。在rlang包中，expr函数类似于expression函数（expr函数暂停后的代码对象是call，基本上和expression是一个意思就行，以下统一使用expression），而eval_tidy函数类似于eval函数。
library(rlang)
x <- expr(!!paste("iris$",VarName,sep = ""))
eval(x)## [1] "iris$Species"在R语言中，“表达式”的概念有狭义和广义两种意义。狭义的表达式指表达式（expression）类对象，由expression函数产生；而广义的的表达式既包含expression类，也包含R“语言”类（language）。expression和language是R语言中两种特殊数据类：
getClass("expression")## Class "expression" [package "methods"]
##
## No Slots, prototype of class "expression"
##
## Extends: "vector"getClass("language")## Virtual Class "language" [package "methods"]
##
## No Slots, prototype of class "name"
##
## Known Subclasses:
## Class "name", directly
## Class "call", directly
## Class "{", directly
## Class "if", directly
## Class "<-", directly
## Class "for", directly
## Class "while", directly
## Class "repeat", directly
## Class "(", directly
## Class ".name", by class "name", distance 2, with explicit coerce可以看到expression类由向量派生得到，而language类是虚拟类，它包括我们熟悉的程序控制关键词/符号和name、call 子类。
虽然我们在R终端键入的任何有效语句都是表达式，但这些表达式在输入后即被求值（evaluate）了，获得未经求值的纯粹“表达式”就要使用函数。下面我们从函数参数和返回值两方面了解expression、quote、bquote和substitute这几个常用函数。
expression函数可以有一个或多个参数，它把全部参数当成一个列表，每个参数都被转成一个表达式向量，所以它的返回值是表达式列表，每个元素都是表达式类型对象，返回值的长度等于参数的个数：
(ex <- expression(x = 1, 1 + sqrt(a)))## expression(x = 1, 1 + sqrt(a))class(ex)## [1] "expression"a=100
eval(ex[2])## [1] 11quote函数只能有一个参数。quote函数的返回值一般情况下是call类型
(cl <- quote(1 + sqrt(a) + b^c))## 1 + sqrt(a) + b^cb=4
c=2
eval(cl)## [1] 27不使用环境变量或环境变量参数，bquote 和 substitute 函数得到的结果与quote函数相同。
但是bquote 和 substitute 函数可以在表达式中使用变量，变量的值随运行进程而被替换。bquote 和 substitute 函数变量替换的方式不一样，bquote函数中需要替换的变量用 .( ) 引用，substitute函数中需要替换的变量用列表参数方式给出。除了这一点，bquote 和 substitute 函数没有差别：
a <- 3
b <- 2
(bq <- bquote(y == sqrt(.(a), .(b))))## y == sqrt(3, 2)(ss <- substitute(y == sqrt(a, b), list(a = 3, b = 2)))## y == sqrt(3, 2)parse函数用于从文件读取文本作为表达式，返回的值是expression类型，这函数也很有用。后面有例子。
x <- parse(text = "10^3")
x## expression(10^3)eval(x)## [1] 1000cl <- call("round", 10.5)
cl## round(10.5)eval(cl)## [1] 10do.call 可以接受多个参数,并且会直接获取结果
do.call(paste, list(as.name("A"), as.name("B")), quote = TRUE) ## [1] "A B"rlang 是专门用于进行非标准化计算的一个包,即处理表达式方面的包. 首先再回顾一些基本概念.
Symbol-符号, 例如pi, 储存在R中用来表示一个变量或者对象的一个名词.
expr(pi)## piclass(expr(pi))## [1] "name"is_symbol(expr(pi))## [1] TRUE就是一个值
is_bare_atomic(1)## [1] TRUE还没有被运行的代码
is_expression(expr(a + b))## [1] TRUE绑定了一系列变量的对象
is_environment(current_env())## [1] TRUE函数调用的表达式
is_call(expr(abs(1)))## [1] TRUE存储了引用代码和对应环境的对象.
is_quosure(quo(a + b))## [1] TRUE带有环境信息的表达式
a <- 1; b <- 2; q <- quo(a + b); qs <- quos(a, b)
q## <quosure>
## expr: ^a + b
## env: globalqs## <list_of<quosure>>
##
## [[1]]
## <quosure>
## expr: ^a
## env: global
##
## [[2]]
## <quosure>
## expr: ^b
## env: global类似的函数还包括:
quote_this < - function(x) enquo(x)
quote_these < - function(…) enquos(…) # 通过函数创建
new_quosure(expr(a + b), current_env()) # 指定环境enquo 与quo 类似, 一个是在函数内部使用, 一个是在函数外部
parse 表示将文本转化成为表达式 depares 将表达式转化成为字符串.
# parse_ 族函数
e<-parse_expr("a+b")
e## a + bexpr_text(e)## [1] "a + b"parse_exprs是parse_expr的加强版，可以处理多个字符串。
在eval_tidy函数之外，还有轻量级的eval，就是eval_bare。两个函数差别不大，eval_bare不能接收数据，eval_tidy可以接收数据。
如果求值的时候不涉及到新的数据，而是像”mean(mtcars$wt)“，那么就可以用eval_bare
log (x = 4 , base = 2 ) # 等价于## [1] 2call2("log", x = 4, base = 2)## log(x = 4, base = 2)exec("log", x = 4, base = 2)## [1] 2创建表达式
a <- 1; b <- 2; e <- expr(a + b); es <- exprs(a, b, a + b)表达式的创建其实和Quoting类似
eval_tidy(e)## [1] 3!! 表示强制运算(结束引用)所有环境的结果
a <- 1; b <- 2
expr(log(!!a + b))## log(1 + b)a <- 1; b <- 2
expr(log(!!(a + b))) ## log(3)!!! 结束引用列表,向量等等
x <- list(8, b = 2)
expr(log(!!!x))## log(8, b = 2)expr(log(x))## log(x):= 允许unquoting 表达式出现在等号左边
n <- expr(uno)
tibble::tibble(!!n := 1)## # A tibble: 1 × 1
## uno
## <dbl>
## 1 1如果要在函数使用使用,tidyverse ,需要结合rlang
如果我要写一个函数, 这个函数会根据参数选择计算数据集中的某一列的平均值
data_mean <- function(data,var){
require(dplyr)
data %>%
summarise(mean = mean(var))
}
# data_mean(iris,"Sepal.Length")
# Error in `summarise()`:
# ℹ In argument: `mean = mean(var)`.
# Caused by error in `mean()`:
# ! object 'Sepal.Length' not found
# Run `rlang::last_trace()` to see where the error occurred.
# Called from: signal_abort(cnd, .file)这样写诗会报错的.需要改为
data_mean <- function(data, var) {
require(dplyr)
var <- rlang::enquo(var)
data %>%
summarise(mean = mean(!!var))
}
data_mean(iris,Sepal.Length)## Loading required package: dplyr##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union## mean
## 1 5.843333其他用法还包括
named_m <- function(data, var, name) {
require(dplyr)
var <- rlang::enquo(var)
name <- rlang::ensym(name)
data %>%
summarise(!!name := mean(!!var))
}group_mean <- function(data, var, ...) {
require(dplyr)
var <- rlang::enquo(var)
group_vars <- rlang::enquos(...)
data %>%
group_by(!!!group_vars) %>%
summarise(mean = mean(!!var))
}