local() 与 R 中的其他闭包方法有何不同？

Question

昨天，我从 Bill Venables 那里了解到 local() 如何帮助创建静态函数和变量，例如，

example <- local({
  hidden.x <- "You can't see me!"
  hidden.fn <- function(){
    cat("\"hidden.fn()\"")
  }
  function(){
    cat("You can see and call example()\n")
    cat("but you can't see hidden.x\n")
    cat("and you can't call ")
    hidden.fn()
    cat("\n")
  }
})

它在命令提示符下的行为如下：

> ls()
[1] "example"
> example()
You can see and call example()
but you can't see hidden.x
and you can't call "hidden.fn()"
> hidden.x                 
Error: object 'hidden.x' not found
> hidden.fn()
Error: could not find function "hidden.fn"

我已经在 R 中的静态变量，其中采用了不同的方法。

这两种方法各有什么优缺点？

Answer 1

封装

这种编程风格的优点是隐藏的对象不太可能被其他任何内容覆盖，因此您可以更加确信它们包含您的想法。它们不会被错误使用，因为它们不容易被访问。在问题的链接帖子中，有一个全局变量 count，可以从任何地方访问和覆盖它，因此如果我们正在调试代码并查看 count 和看到它的改变，我们无法真正确定代码的哪一部分改变了它。相反，在问题的示例代码中，我们可以更好地保证不涉及代码的其他部分。

请注意，我们实际上可以访问隐藏函数，尽管它并不那么容易：

# run hidden.fn
environment(example)$hidden.fn()

面向对象编程

另请注意，这非常接近面向对象编程，其中 example 和 hidden .fn 是方法，hidden.x 是属性。我们可以这样做以使其明确：

library(proto)
p <- proto(x = "x", 
  fn = function(.) cat(' "fn()"\n '),
  example = function(.) .$fn()
)
p$example() # prints "fn()"

proto 不会隐藏 x 和 fn 但它并不容易错误地访问它们，因为您必须使用 p $x 和 p$fn() 来访问它们，这与能够编写 e <-environment(example); 没有什么不同。 e$hidden.fn()

编辑：

面向对象的方法确实增加了继承的可能性，例如，可以定义 p 的子级，其行为类似于 p只不过它覆盖了fn。

ch <- p$proto(fn = function(.) cat("Hello from ch\n")) # child
ch$example() # prints: Hello from ch

Answer 2

local() 可以实现单例模式——例如，snow 包使用它来跟踪用户可能创建的单个 Rmpi​​ 实例。

getMPIcluster <- NULL
setMPIcluster <- NULL
local({
    cl <- NULL
    getMPIcluster <<- function() cl
    setMPIcluster <<- function(new) cl <<- new
})

local() 还可以用于管理脚本中的内存，例如，分配在子句的最后一行创建最终对象所需的大型中间对象。当 local 返回时，大型中间对象可用于垃圾回收。

使用函数创建闭包是一种工厂模式——bank R 简介文档中的 account 示例，每次调用 open.account 时，都会创建一个新帐户。

正如@otsaw提到的，记忆化可以使用本地实现，例如，在爬虫中缓存网站

library(XML)
crawler <- local({
    seen <- new.env(parent=emptyenv())
    .do_crawl <- function(url, base, pattern) {
        if (!exists(url, seen)) {
            message(url)
            xml <- htmlTreeParse(url, useInternal=TRUE)
            hrefs <- unlist(getNodeSet(xml, "//a/@href"))
            urls <-
                sprintf("%s%s", base, grep(pattern, hrefs, value=TRUE))
            seen[[url]] <- length(urls)
            for (url in urls)
                .do_crawl(url, base, pattern)
        }
    }
    .do_report <- function(url) {
        urls <- as.list(seen)
        data.frame(Url=names(urls), Links=unlist(unname(urls)),
                   stringsAsFactors=FALSE)
    }
    list(crawl=function(base, pattern="^/.*html$") {
        .do_crawl(base, base, pattern)
    }, report=.do_report)
})

crawler$crawl(favorite_url)
dim(crawler$report())

（记忆化的常见例子，斐波那契数，并不令人满意——不溢出R的数字表示的数字范围很小，因此人们可能会使用有效预先计算值的查找表）。有趣的是，这里的爬虫是一个单例；可以很容易地遵循工厂模式，因此每个基本 URL 都有一个爬虫。