124-R编程18-R的内部机制2
- 参考：
- R的内部机制 - 王诗翔 (shixiangwang.github.io)[1]
- 19 函数进阶 | R语言教程 (pku.edu.cn)[2]
- 09. 工作空间和变量赋值 · 语雀 (yuque.com)[3]
前言
其实之前读了李东风老师的内容，感觉收获颇丰；但因为自己的业务逻辑过于简单，渐渐又荒废掉了。
最近碰巧看到王诗翔的这篇文章，再次学习，顺便将笔记从yuque 发至公众号。共勉。
因为内容有些多，拆成两个部分介绍。
前文：[[113-R编程16-R的内部机制1]]
第二部分：
- 复制-修改机制 （Copy-on-modify mechanism）
- 环境 （Environment）
复制-修改机制
介绍
R 的变量赋值类似python，并不是像C++、JAVA等语言那样， x代表某个存储位置， “x <- c(1,2,3)”代表将1到3这些值存储到x所指向的存储位置。
<-右边的c(1,2,3)是一个表达式， 其结果为一个R对象(object)， 而x只是一个变量名， 并没有固定的类型、固定的存储位置， 赋值的结果是将x绑定到值为(1,2,3)的R对象上。R对象有值，但不必有对应的变量名；变量名必须经过绑定才有对应的值和存储位置。
我们可以通过变量获得对象所在的地址（存储位置），并获得对象的值。
类似py 中的id，我们也可以通过tracemem 追踪变量指向的对象在内存中的位置：
x <- c(1,2,3)
cat(tracemem(x), "\n")
## <0000000018288290>
y <- x # 这时y和x绑定到同一R对象
cat(tracemem(y), "\n")
## <0000000018288290>
y[3] <- 0 # 这时y制作了副本
## tracemem[0x0000000018288290 -> 0x00000000183c5190]: eval eval withVisible withCallingHandlers handle timing_fn evaluate_call <Anonymous> evaluate in_dir block_exec call_block process_group.block process_group withCallingHandlers process_file <Anonymous> <Anonymous> do.call eval eval eval eval eval.parent local
x
## [1] 1 2 3
y
## [1] 1 2 0
untracemem(x); untracemem(y)
当使用tracemem 追踪变量后，如果变量绑定的对象发生了变化，会将变化结果输出到屏幕，如果不希望继续追踪，可以使用函数untracemem。
上面操作不难发现，这两个向量值相同，并共享内存地址，说明它们指向相同的数据，而赋值操作并没有自动复制数据。
但当我们对其中一个变量进行修改之后，其立刻制作了副本。
对于调用函数时内部变量的赋值，同样存在这样的“复制-修改机制”：
x <- c(1,2,3)
cat(tracemem(x), "\n")
## <0000000018DA05A0>
f <- function(v){ return(v) }
z <- f(x)
cat(tracemem(z), "\n")
## <0000000018DA05A0>
untracemem(x); untracemem(z)
如果修改了内部变量的元素的值，则会制作副本，并将修改的副本输出：
x <- c(1,2,3)
cat(tracemem(x), "\n")
## <000000001931EE70>
f2 <- function(v){ v[1] <- -999; return(v) }
z <- f2(x)
## tracemem[0x000000001931ee70 -> 0x00000000193d8880]
其他副本创建类型
列表
如果x是一个有5个元素的列表， 则y <- x使得y和x指向同一个列表对象。但是， 列表对象的每个元素实际上也相当于一个绑定， 每个元素指向一个元素值对象。
> a1 <- list(1,2,3,4,5)
> cat(tracemem(a1), "\n")
<0x7fe4e05068e8>
> a2 <- a1
> a2[[1]] <- 3
tracemem[0x7fe4e05068e8 -> 0x7fe4e03180a8]:
所以如果修改y：y[[3]] <- 0， 这时列表y首先被制作了副本， 但是每个元素指向的元素值对象不变， 仍与x的各个元素指向的对象相同；然后， y[[3]]指向的元素值进行了重新绑定， 不再指向x[[3]]， 而是指向新的保存了值0的对象， 但y的其它元素指向的对象仍与x公用。
> do.call("cat", lapply(a1, tracemem))
<0x7fe4bec9c760> <0x7fe4bec9c798> <0x7fe4bec9c7d0> <0x7fe4bec9c808> <0x7fe4bec9c840>
> do.call("cat", lapply(a2, tracemem))
<0x7fe4c07f75c0> <0x7fe4bec9c798> <0x7fe4bec9c7d0> <0x7fe4bec9c808> <0x7fe4bec9c840>
列表的这种复制方法称为浅拷贝， 表格对象及各个元素绑定被复制， 但各个元素指向（保存）的对象不变。这种做法节省空间也节省运行时间。
在R的3.1.0之前则用的深拷贝方法， 即复制列表时连各个元素保存的值也制作副本。
其实这里还可以使用函数lobstr::ref, 返回对象及其内部元素的内存地址：
> lobstr::ref(y,y1)
o [1:0x7fd896f93558] <list>
+-[2:0x7fd89809f840] <dbl>
+-[3:0x7fd89809f878] <dbl>
\-[4:0x7fd89809f8b0] <dbl>
o [5:0x7fd896eec6e8] <list>
+-[6:0x7fd897d9f088] <dbl>
+-[7:0x7fd897d9f0c0] <dbl>
\-[8:0x7fd897d9f0f8] <dbl>
数据框
其实在R 的内部机制中，数据框和列表并没有什么明显的区别：
只不过从操作上，我们可以对不同列表的相同位置的数据进行同时处理（行操作）。
数据框的每一列实际绑定到一个对象上。如果y <- x， 则修改y的某一列会对y进行浅拷贝， 然后仅该列被制作了副本并被修改， 其它未修改的列仍与x共用值对象。
但是如果修改数据框y的一行， 因为这涉及到所有列， 所以整个数据框的所有列都会制作副本。
环境
环境是一组名称组成的对象。对于R 来说，环境作为一个数据结构与有名的列表相似。
★当我们查找一个符号（变量）时，如果它在当前环境中，R就会在当前环境中搜索并返回该符号指向的对象。如果这个符号在当前环境中没有找到，R就会到它的父环境中搜索。 ”
环境有以下特点：
- 环境中的数据名称必须互不相同；
- 环境中的变量没有次序；
- 环境（除了空环境）都有一个父环境；
- 修改环境内容时，不会制作副本。
创建环境
环境的创建和打印，操作也和列表对象非常相似。
我们使用new.env()函数创建一个新环境：
e1 <- new.env()
e2 <- rlang::env(
a = 3,
b = TRUE,
c = 5
)
或者用rlang::env()生成新的环境同时，定义环境中的数据。
如果我们在环境中定义的名字相同，则会将之前的名称覆盖：
e3 <- rlang::env(
a = 4,
a = 2
)
> e3$a
[1] 2
我们打印环境，会输出十六进制数表示的内存地址：
> e2
<environment: 0x7fe51994e4b0>
> e3
<environment: 0x7fe509e9d668>
rlang包的env_print()函数可以给出较多的信息：
> rlang::env_print(e2)
<environment: 0x7fe51994e4b0>
parent: <environment: global>
bindings:
* a: <dbl>
* b: <lgl>
* c: <dbl>
> rlang::env_print(e3)
<environment: 0x7fe509e9d668>
parent: <environment: global>
bindings:
* a: <dbl>
环境的特点
上面说过，环境的特点。这里主要展开介绍以下三点：
- 环境被修改时，并不会制作副本；
- 环境不存在索引；
- 除空环境外，环境都具有父环境；
修改不复制
在先前的复制修改机制中，我们提到：
x <- c(1,2,3)
cat(tracemem(x), "\n")
## <0000000018288290>
y <- x # 这时y和x绑定到同一R对象
cat(tracemem(y), "\n")
## <0000000018288290>
y[3] <- 0 # 这时y制作了副本
## tracemem[0x0000000018288290 -> 0x00000000183c5190]
而如果是环境。因为变量对应的环境指向的是同一个内存，修改任意其中一个环境中的变量，均发生修改：
e3 <- rlang::env(
a = 4,
a = 2
)
e4 <- e3
> e3$b
NULL
> e3$b <- 5
> e4$b
[1] 5
环境不存在索引
前面说过，环境的创建、访问、修改操作，都和list 很像，但是，环境没有索引，因此也不能构建和提取子集。
e1[1:3] #索引
#> Error in e1[1:3]: object of type 'environment' is not subsettable
e1[[1]] #构建子集
#> Error in e1[[1]]: wrong arguments for subsetting an environment
除了通过$或[[访问，如何知道环境中的变量呢？
e2 <- rlang::env(
a = 3,
b = TRUE,
c = 5
)
> exists("a", e2)
[1] TRUE
> get("a", e2)
[1] 3
> exists("x", e2)
[1] FALSE
> get("x", e2)
Error in get("x", e2) : 找不到对象'x'
还可以调用ls()列出环境中的所有变量：
> ls(e2)
[1] "a" "b" "c"
> ls()
[1] "args" "dataset" "e1"
[4] "e2" "e3" "e4"
[7] "params" "parser" "sce"
[10] "sim" "sim_discrete" "sim_trajectory"
[13] "step1" "tmp" "tmp1"
[16] "tmp11" "tmp2"
ps：这个ls()也就是输出当前所在环境中的全部变量了。
父环境
当我们查找一个符号（变量）时，如果它在当前环境中，R就会在当前环境中搜索并返回该符号指向的对象。如果这个符号在当前环境中没有找到，R就会到它的父环境中搜索。
我们可以在创建环境时指定它的父环境：
e2 <- new.env(parent = e1)
这里我们将e1设定为e2的父环境，那么e2的父环境的内存地址应该和e1一致：
> e1;parent.env(e2)
<environment: 0x7fe5036d6ef0>
<environment: 0x7fe5036d6ef0>
在R 赋值中我提到过，<<- 表示在各级父环境中赋值，最先在那一层父环境中找到变量就在那一层中赋值，如果直到全局环境都没有找到变量，就在全局环境中新建一个变量。
同样，一个变量如果在环境中没有找到，就会在其对应的父环境中查找，如果不想让函数搜索父环境，可以设定inherits = FALSE。
小小的总结
个人觉得，大部分生信相关的工作，或者说是数据科学从业者的工作，应该都使用不到这些更深入的编程思想。但是，如果你是一个对自己编程能力有更高追求的人，亦或是想进军面向对象的海洋，通过R 这门傻瓜式语言探一探编程海洋的大门也是不错的。
ps：关于面向对象更深的学习，个人还是不建议以R来学习它们，包括S4或S6 这些高级对象。可以先通过py 或java 这些较为成熟且自成体系的编程语言，再按照自己的业务需求写R 的面向对象，或是R 包开发，会好一些。
当然，我也只是一个小小的菜鸟，听听就好。
参考资料
[1]
R的内部机制 - 王诗翔 (shixiangwang.github.io): https://shixiangwang.github.io/home/cn/post/2019-11-20-r-mechanism/
[2]
19 函数进阶 | R语言教程 (pku.edu.cn): https://www.math.pku.edu.cn/teachers/lidf/docs/Rbook/html/_Rbook/p-advfunc.html#p-advfunc-lazy
[3]
09. 工作空间和变量赋值 · 语雀 (yuque.com): https://www.yuque.com/mugpeng/rr/ebhayr#E2tnY
腾讯云开发者
