完成R Programming第三週

這周作業有點繞，更多地是通過一個快取逆矩陣的案例，向我們示範【詞法作用域 Lexical Scopping】的功效。但是作業裡給出的函式有點繞口，花費了我們蠻多心思。

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
        }
}

對於上訴函式，make.power(3)生成的不是一個數值，而是生成了一個新的函式。由此，

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

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

make.power(3)生成了一個x^3的函式，而make.power(2)生成了一個x^2的函式。這裡的n只會在函式定義的範圍裡去查詢值，不會越過函式再繼續查詢。內建函式的Parent environment就是定義這個函式本身的函式。

據老師說，這樣子的詞法作用域，同時適用於python等較新潮的函式。或將成為未來程式設計界的主流。（compared with dynamic scoping)，不過有個問題就是……基於複雜的環境啊等等，這些一般都是作用於實體記憶體裡的，對記憶體依賴度很高。

在這裡有提及，對於這些複雜的繞來繞去的作用域，一個比較簡單的方法是：

Is(environment((cube))
>- n, pow (environment內部有兩個物件）
get("n",environment((cube))
可以看到n定義為3

以上兩個函式可以檢視環境呼叫物件。適於檢查。

另外附上本次作業，老師給出的示範例子，以及我個人加的備註項

makeVector<-function(x= numeric()){
        m<-NULL#把m賦值為null
        set<-function(y){
                x
 
<<-y #set(y)後，x=y,m=null
                m<<-NULL
        }
        get <-function() x #把x賦值給get
        setmean<-function(mean) m<<-mean #這裡求均值，只是依然存疑，為什麼這裡要用function(mean）。。或者在本函式裡，不會做mean相關的操作，真正的solve實在cachemean裡執行？
getmean<-function() m #這裡把m複製給getmean（NULL）
        list(set=set,get=get,
             setmean=setmean,
             getmean=getmean)
}
cachemean<-function(x, ...){
        m<-x$getmean() #首先把getmean賦值給m，如果m不是NULL的話彈出下列提示
        if(!is.null(m)){
                message("getting cached data")
                return(m)
        }#出現快取值
        data<-x$get()#把最開始的numberic向量賦值給data
        m<-mean(data, ...) 
        x$setmean(m)快取m
        m
}

以上

另外，本週還講了幾個有用的函式

lapply (對list）

sapply(lapply的簡化版，如果list內均為單個數值，可以輸出向量vector，如果等長度，可輸出matrix，如果不同長度，輸出list）

apply(適用於陣列，即都是數的矩陣等，與for相比，欄位更少，程式碼更加簡潔，舉例如apply(array,Margin,fun),裡面margin,1為行row,2為列column

　　據說rowSums, rowMeans,colSums,colMeans效率更高，沒具體試過

mapply（生成list很方便），如下面兩行程式碼，效率一致，適用於把一個fun應用到不同引數裡　　

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

tapply(用於對向量的子集做迴圈，用因子分組)

split(用因子向量對x分組）

library(datasets)
data(iris)

#探索性分析
names(iris)
head(iris)
#以下嘗試取virginica,speal.Length的方法均錯誤
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對向量進行分組，此法可行，但上述方法為何錯誤需要再看

library(datasets)
data(mtcars)

#以下為做某個題時的若干測試。以及試錯環節。lapply, tapply,split的用途，以及[[1]]怎麼用
#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#
#對於tapply出來的向量，可用[[1]]來取值
d[[1]]-d[[3]]

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

以上結束

總體感想，雖然mooc對JHU的coursera課褒貶不一，但是認真聽下來，比自行看書要容易入門。

以及程式設計這種事，必須多寫，多交流，才能獲得好處。

加油！