dplyr .data 代词与“quosure”方法答案

【问题标题】：dplyr .data pronoun vs "quosure" approachdplyr .data 代词与“quosure”方法
【发布时间】：2018-09-14 00:43:18
【问题描述】：

在dplyr v0.7.0 中，引入了.data 代词，它允许我们使用字符串来引用变量。我只是好奇这种方法是否比“quosure”方法更受欢迎。例如，这是一种使用.data 代词的方法：

varname <- "gear"
data_pronoun_method_df <- dplyr::mutate(mtcars, new_col = .data[[varname]] + 2)

这与使用quosure 方法的示例进行了比较：

quo_varname <- rlang::quo(gear)
quo_method_df <- dplyr::mutate(mtcars, new_col = !! quo_varname + 2)

两种方法产生相同的输出：

data_pronoun_method_df

# mpg cyl  disp  hp drat    wt  qsec vs am gear carb new_col
# 1  21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4       6
# 2  21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4       6
# 3  22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1       6
# 4  21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1       5
# 5  18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2       5
# 6  18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1       5
# 7  14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4       5
# 8  24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2       6
# [ reached getOption("max.print") -- omitted 24 rows ]

all.equal(data_pronoun_method_df, quo_method_df)
# [1] TRUE

有什么真正的区别吗？两种方法的优缺点是什么？

【问题讨论】：

标签： r dplyr tidyeval quosure

【解决方案1】：

.data 代词可用于解决 NSE，但它或多或少与 tidy eval 正交。其主要目的是确保在数据框中查找变量。如果它不存在，则会出现错误。这与可以获取本地对象（如果已定义）的裸名称形成对比：

other <- 1e10
transmute(mtcars, 2 * other)            # Succeeds erroneously
transmute(mtcars, 2 * .data[["other"]]  # Fails

使用.data 代词比仅仅明确引用数据框更可靠，因为数据可能被分组：

group_by(mtcars, cyl) %>%
  transmute(2L * .data[["am"]])

在该示例中，.data[["am"]] 表示由cyl 的级别定义的am 列的切片。

编辑：为了完整起见，您可以使用 quosures 和 quasiquotation 来完成同样的事情。如果您使用空 env 作为环境创建符号的 quosure，则符号查找只有在数据框包含这样的列时才会成功：

other <- 1e10
quo <- new_quosure(quote(other), empty_env())
transmute(mtcars, 2L * !!quo)  # Fails

【讨论】：