local()与R中的其他闭包方法有何不同?

Question

昨天我从Bill Venables那里学到了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.xn")
    cat("and you can't call ")
    hidden.fn()
    cat("n")
  }
})

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"

我在R中的静态变量中看到过这种讨论，其中采用了不同的方法。

这两种方法的优缺点是什么?

Answer 1

封装

这种编程风格的优点是隐藏对象不太可能被其他任何东西覆盖，因此您可以更确信它们包含您认为的内容。它们不会被误用，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，它可以从任何地方访问和覆盖，所以如果我们正在调试代码并查看count并看到它的变化，我们无法确定代码的哪一部分改变了它。相比之下，在问题的示例代码中，我们有更大的保证，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，尽管这并不容易:

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

面向对象编程

还要注意，这与面向对象编程非常接近，其中example和hidden.fn是方法，hidden.x是属性。我们可以这样做，使它显式:

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

proto不隐藏x和fn，但它不容易被错误地访问，因为你必须使用p$x和p$fn()来访问它们，这与能够写e <- environment(example); e$hidden.fn()没有什么不同

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的子节点，它的行为类似于p，只是它覆盖了fn。

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

Answer 2

local()可以实现一个单例模式——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()也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，大的中间对象可用于垃圾收集。

使用函数创建闭包是一种工厂模式——在介绍R文档中的银行帐户示例中，每次调用open.account时，都会创建一个新帐户。

正如@otsaw提到的，记忆可以使用本地实现，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())

(通常的记忆示例，斐波那契数，并不令人满意——不会溢出R的数字表示的数字范围很小，因此可能会使用有效预计算值的查找表)。有趣的是，这里的crawler是一个单例;可以很容易地遵循工厂模式，因此每个基本URL一个爬虫。