R語(yǔ)言實(shí)用小技巧

這篇文章介紹的是我平時(shí)寫(xiě)程序遇到的各種小問(wèn)題，以及解決他們的小技巧
1.R語(yǔ)言讀取EXCEL
用R語(yǔ)言讀取EXCEL時(shí)，可以使用readxl包的read_excel函數(shù)，不要使用xlsx這個(gè)包，因?yàn)閤lsx它要加載JAVA，很麻煩，而使用readxl不需要加載JAVA。

2.如何在R中構(gòu)造一個(gè)hash函數(shù)
這在R中或許有許多包能夠?qū)崿F(xiàn)，但是，其實(shí)我們自己來(lái)實(shí)現(xiàn)也是很簡(jiǎn)單的，要知道environment的原理也是一個(gè)hash函數(shù)，我們只需要利用environment，來(lái)負(fù)責(zé)存儲(chǔ)我們所需要的映射列表就可以了。接下來(lái)我們可以利用digest包的散列函數(shù)digest(),這個(gè)函數(shù)可以將任意的R對(duì)象映射為一個(gè)md5值，或者sha1等，他的md5值就是我們所需要的key，以下是使用例子：
有如下這樣的數(shù)據(jù)
> df<-data.frame(x=1:4,y=2:5,z=3:6,k=4:7)
> df
  x y z k
1 1 2 3 4
2 2 3 4 5
3 3 4 5 6
4 4 5 6 7
假設(shè)我想將x,y映射到z，將y,z映射為k，先定義兩個(gè)函數(shù)，一個(gè)是SetKeyValue，負(fù)責(zé)設(shè)置key,value對(duì)，第二個(gè)是GetValue，輸入一個(gè)key，返回key對(duì)應(yīng)的value。
library(digest)
SetKeyValue<-function(envir,key,value){
  envir[[digest(key)]]<-value
  return(envir)
}
GetValue<-function(envir,key){
  return(envir[[digest(key)]])
}

hash<-new.env()
for(i in 1:nrow(df)){
  hash<-SetKeyValue(hash,df[i,1:2],df[i,3])
  hash<-SetKeyValue(hash,df[i,2:3],df[i,4])
}

這樣我們就得到了一個(gè)由environment構(gòu)造的hash函數(shù)了，我們可以這樣去得到值：

> GetValue(hash,df[1,1:2]) #得到當(dāng)x=1 y=2時(shí)的z值
[1] 3

當(dāng)然，如果想要更快的速度，可以使用fastdigest這個(gè)包，里面的散列函數(shù)比digest包要快，只需將digest()替換成fastdigest()就可以了。
3.如何用最快最簡(jiǎn)單的方法加快R的執(zhí)行速度？

答案是使用compiler包，這個(gè)包的作用就是將R代碼編譯成字節(jié)碼，這在很多情況下都能加快運(yùn)行的速度，當(dāng)然也會(huì)有一些時(shí)候作用沒(méi)有那么大，使用非常簡(jiǎn)單，以下是一個(gè)使用例子：

> library(microbenchmark)
> library(compiler)
> f1<-function(){
+   x=1:100
+   for(i in 1:100){
+     x[i]=x[i]+1
+   }
+ }
> f2<-function(){
+   x=1:100
+   x+1
+ }
> f3<-cmpfun(f1)
> f4<-cmpfun(f2)
> microbenchmark(
+   f1(),
+   f2(),
+   f3(),
+   f4()
+ )
Unit: nanoseconds
 expr    min     lq      mean median     uq    max neval cld
 f1() 170077 175453 178277.64 177652 179363 227746   100   c
 f2()    978   1467   2028.94   1956   2444   5865   100 a  
 f3()  11730  12219  12873.79  12708  13196  20039   100  b
 f4()    978   1466   1564.65   1467   1955   2933   100 a  

可以看到編譯后的f3,f4跟編譯前的f1,f2,快了將近2倍到10倍，這么簡(jiǎn)單就能提升運(yùn)行速度，何樂(lè)而不為呢？
我寫(xiě)的一個(gè)小代碼，可以批量地把環(huán)境變量中所有的函數(shù)都編譯一次：

funlist<-c(lsf.str())
for(f in funlist){
  assign(f,cmpfun(get(f)))
}

如何想要更快，可以參考Windows使用OpenBLAS加速R語(yǔ)言計(jì)算速度
4.如何讀取一個(gè)文件夾所有的文件？

我們可以利用list.files進(jìn)行匹配，通過(guò)其中參數(shù)pattern可以填寫(xiě)正則表達(dá)式，用來(lái)匹配文件夾下滿足條件的文件名。然后再利用lapply來(lái)導(dǎo)入文件。

filenames <- list.files("C:/Users/qj/Desktop/demo_data/", pattern = ".txt")

datalist <- lapply(filenames, function(name) {
  read.table(paste0("C:/Users/qj/Desktop/demo_data/", name),sep=',',header = T)
})

5.如何把data.frame按照行來(lái)對(duì)應(yīng)生成列表

> set.seed(1)
> df <- data.frame(i=3:1,  y = runif(3))
> df
  i         y
1 3 0.2655087
2 2 0.3721239
3 1 0.5728534

我想把這個(gè)data.frame變成一個(gè)list 并且i要與list中的序號(hào)對(duì)應(yīng)。
解決方法如下：

> i=df$i
> df=df[,2]
> dflist<-split(df,i)
> names(dflist)<-NULL
> dflist
[[1]]
[1] 0.5728534

[[2]]
[1] 0.3721239

[[3]]
[1] 0.2655087

6.如何標(biāo)記每個(gè)組別中出現(xiàn)的次數(shù)，他們出現(xiàn)的順序。

有這么個(gè)數(shù)據(jù)：

> df=data.frame(group=c(1,1,2,2,3,3,3))
> df
  group
1     1
2     1
3     2
4     2
5     3
6     3
7     3
現(xiàn)在想添加一列，標(biāo)記的id列，讓它變成：
   group id
1:     1  1
2:     1  2
3:     2  1
4:     2  2
5:     3  1
6:     3  2
7:     3  3
可以利用data.table實(shí)現(xiàn)：
> dt<-data.table(df)
> dt[,id:=1:.N,by=group]
> dt
   group id
1:     1  1
2:     1  2
3:     2  1
4:     2  2
5:     3  1
6:     3  2
7:     3  3
7.R語(yǔ)言讀取SPSS格式文件
可以使用library(memisc)這個(gè)包，雖然foreign也能做到，但是有的時(shí)候格式會(huì)很混亂，而memisc就可以完美讀取。
8.R語(yǔ)言for循環(huán)的小貼士
看一個(gè)例子，這個(gè)例子是一個(gè)簡(jiǎn)單的for循環(huán)，它在大部分情況下是沒(méi)有任何問(wèn)題的。
n=nrow(x)
for(i in 1:n){
x[i]
}
但是如果當(dāng)x是一個(gè)空值時(shí)，這就會(huì)出問(wèn)題了，當(dāng)x是空值時(shí)，我們并不希望這個(gè)for循環(huán)會(huì)執(zhí)行，但是在這里n=0，那么i in 1:0 就會(huì)產(chǎn)生1和0，這就會(huì)導(dǎo)致出現(xiàn)各種各樣的錯(cuò)誤，而且這些錯(cuò)誤并不固定，它會(huì)隨著你的for循環(huán)里面的內(nèi)容改變而改變，從而很難定位bug的所在。一個(gè)解決的方法是，我們可以使用seq.int(length.out = n)循環(huán)來(lái)代替1:n

n=nrow(x)
for(i in seq.int(length.out = n)){
x[i]
}

這樣當(dāng)n=0的時(shí)候，這個(gè)循環(huán)就不會(huì)執(zhí)行了。
9.使用foreach包并行計(jì)算時(shí)看到里面print的方法
在linux的時(shí)候，我們可以在makeCluster上加上outfile="" 使用""就會(huì)默認(rèn)輸出到控制臺(tái)，不過(guò)這個(gè)功能在windows好像不能用，在windows的時(shí)候建議輸出到文件里，outfile="d:/log.txt"，這樣就可以了。
library(parallel)
library(foreach)
library(doParallel)
cl<-makeCluster(2,outfile="d:/log.txt") #work for windows
cl<-makeCluster(2,outfile="") #work for linux
registerDoParallel(cl)
x <- foreach(i=1:100,.combine = rbind,.inorder = F) %dopar% {
  print(i)
  sqrt(i)
}
stopCluster(cl)