Coursera系列-R Programming第三周-词法作用域

完成R Programming第三周

这周作业有点绕，更多地是通过一个缓存逆矩阵的案例，向我们示范【词法作用域 Lexical Scopping】的功效。但是作业里给出的函数有点绕口，花费了我们蛮多心思。

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
        }
}

对于上诉函数，make.power(3)生成的不是一个数值，而是生成了一个新的函数。由此，

cube<-make.power(3)
square<-make.power(2)

cube(3)  ---> 27
square(3)  ---->9

make.power(3)生成了一个x^3的函数，而make.power(2)生成了一个x^2的函数。这里的n只会在函数定义的范围里去查找值，不会越过函数再继续查找。内置函数的Parent environment就是定义这个函数本身的函数。

据老师说，这样子的词法作用域，同时适用于python等较新潮的函数。或将成为未来编程界的主流。（compared with dynamic scoping)，不过有个问题就是……基于复杂的环境啊等等，这些一般都是作用于物理内存里的，对内存依赖度很高。

在这里有提及，对于这些复杂的绕来绕去的作用域，一个比较简单的方法是：

Is(environment((cube))
>- n, pow (environment内部有两个对象）
get("n",environment((cube))
可以看到n定义为3

以上两个函数可以查看环境调用对象。适于检查。

另外附上本次作业，老师给出的示范例子，以及我个人加的备注项

makeVector<-function(x= numeric()){
        m<-NULL#把m赋值为null
        set<-function(y){
                x<<-y #set(y)后，x=y,m=null
                m<<-NULL
        }
        get <-function() x #把x赋值给get
        setmean<-function(mean) m<<-mean #这里求均值，只是依然存疑，为什么这里要用function(mean）。。或者在本函数里，不会做mean相关的操作，真正的solve实在cachemean里执行？
getmean<-function() m #这里把m复制给getmean（NULL）
        list(set=set,get=get,
             setmean=setmean,
             getmean=getmean)
}
cachemean<-function(x, ...){
        m<-x$getmean() #首先把getmean赋值给m，如果m不是NULL的话弹出下列提示
        if(!is.null(m)){
                message("getting cached data")
                return(m)
        }#出现缓存值
        data<-x$get()#把最开始的numberic向量赋值给data
        m<-mean(data, ...)
        x$setmean(m)缓存m
        m
}

以上

另外，本周还讲了几个有用的函数

lapply (对list）

sapply(lapply的简化版，如果list内均为单个数值，可以输出向量vector，如果等长度，可输出matrix，如果不同长度，输出list）

apply(适用于数组，即都是数的矩阵等，与for相比，字段更少，代码更加简洁，举例如apply(array,Margin,fun),里面margin,1为行row,2为列column

　　据说rowSums, rowMeans,colSums,colMeans效率更高，没具体试过

mapply（生成list很方便），如下面两行代码，效率一致，适用于把一个fun应用到不同参数里　　

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

tapply(用于对向量的子集做循环，用因子分组)

split(用因子向量对x分组）

library(datasets)
data(iris)

#探索性分析
names(iris)
head(iris)
#以下尝试取virginica,speal.Length的方法均错误
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对向量进行分组，此法可行，但上述方法为何错误需要再看

library(datasets)
data(mtcars)

#以下为做某个题时的若干测试。以及试错环节。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#
#对于tapply出来的向量，可用[[1]]来取值
d[[1]]-d[[3]]

library(datasets)
head(mtcars)
?mtcars
d<-tapply(mtcars$hp,mtcars$cyl,mean)
d[[1]]-d[[3]]

以上结束

总体感想，虽然mooc对JHU的coursera课褒贬不一，但是认真听下来，比自行看书要容易入门。

以及编程这种事，必须多写，多交流，才能获得好处。

加油！