《Advanced R》学习笔记 | Chapter2 Names and values

专注系列化、高质量的R语言教程

推文索引 | 联系小编 | 付费合集

Advanced R是R语言大神Hadley Wickham写的一本书，主要介绍R语言底层的运行原理，帮助用户从R User转变为R Programmer。该书最新版为第二版，网页版地址为：https://adv-r.hadley.nz/。

本书共25章。第1章为“Introduction”，不涉及具体知识。本篇推文是学堂君学习第2章“Names and values”的笔记，原文链接是https://adv-r.hadley.nz/names-values.html，可在文末“阅读原文”处直达。

注：这里的章节序号和标题均与原文对应，章节缺省表示没有笔记。

2.2 Binding basics
- 2.2.1 Non-syntactic names
2.3 Copy-on-modify
- 2.3.1 tracemem()
- 2.3.3 Lists
- 2.3.4 Data frames
- 2.3.5 Character vectors
2.4 Object size
- 2.4.1 Exercises
2.5 Modify-in-place
- 2.5.1 Objects with a single binding
- 2.5.2 Environments
2.6 Unbinding and the garbage collector

2.2 Binding basics

本部分介绍了值（对象）与名称的关系：绑定（binding）。

例如下面的代码：

x <- c(1,2,3)

我们通常会理解成“创建一个名称为x的对象，包含的值为1、2、3”，但这种简化的理解不能使我们理解背后的运行原理，实际过程是：

创建一个对象c(1,2,3)；
并把该对象绑定一个名称——x。

一个名称同时只能绑定一个对象，但一个对象可以同时绑定多个名称。名称可以看作是对象的“索引”（reference）。

再如下面代码：

y <- x

这段代码并不是把x的值复制一份给y，而是将名称y绑定到已存在的对象（也就是x所绑定的对象）。二者的区别是：复制对象会增加内存占用，绑定已有对象不增加内存占用。

示意图如下：

lobstr::obj_addr()函数可以查看名称对应的对象地址，从而帮助我们判断不同名称是否对应同一个对象：

library(lobstr)
obj_addr(x)
## [1] "0x23a1fb67d98"obj_addr(y)
## [1] "0x23a1fb67d98"

学堂君注：读者运行出的地址字符串可能与这里不同，但是x和y的结果总是相同的。

2.2.1 Non-syntactic names

R语言中的命名需要符合的规则：

构成要素是字母（取决于语言环境）、阿拉伯数字、小数点.（ASCII编码）和下划线_的一种或多种；
不能以下划线或数字开头；
若以小数点开头，后面不能紧接数字；
不能使用保留词（reserved words），如TRUE、NULL、if、function等；详细清单见Reserved的帮助文档。

不符合以上规则的名称在使用时程序会报错：

_abc <- 1
## Error: unexpected symbol in "_abc"

不过如果加上反引号则可以使用任意字符串作为名称：

`_abc` <- 1

此外，一些基础包的函数，如read.csv()，在加载数据时会自动把非法名称转换为合法名称；详细转换规则见make.names()的帮助文档，主要有：

如有必要（如开头不合规），添加X作为开头；
无效字符转换为小数点.；
缺失值转换为NA。

2.3 Copy-on-modify

R语言在修改名称对应的值时有两种模式：

“copy-on-modify”模式不会直接修改名称的对象，而是复制对象修改后再绑定到该名称；
“copy-on-modify”模型是直接修改名称的对象，详细介绍见下文2.5节。

如果对象绑定的名称在两个及以上，当修改其中一个名称的值时就会采用“copy-on-modify”模式，这样不会影响其他名称的值。

比如下面的代码：

y[[3]] <- 4
x
#> [1] 1 2 3

名称x和y原本绑定的是同一个对象。上面代码修改了y的值，从而改变了它所绑定的对象，而x仍然与原对象相绑定。新绑定的对象可以视作原对象的抄本（copy）：

obj_addr(x)
## [1] "0x23a1fb67d98"obj_addr(y)
## [1] "0x23a1fc9e5b8"

x对应的地址不变，而y对应的地址变化。

示意图如下：

2.3.1 tracemem()

base::tracemem()函数输出程序运行时对象及其抄本被复制的过程：被复制的对象、复制后的新地址。

例如：

x <- c(1,2,3)
cat(tracemem(x), "\n")
## <0000023A1FC02568>y <- x
y[[3]] <- 4
## tracemem[0x0000023a1fc02568 -> 0x0000023a1fc127c8]:

学堂君注：前面我们已经创建了x所对应的对象，这里第一行代码相当于重新创建一次，内存地址会变化。

如果继续修改y的值，此时y的对象只绑定一个名称（也就是y自己），不符合“copy-on-modify”模式使用条件，而是使用“modify-in-place”模式，该模式需要创建抄本，而是直接修改对象：

y[[3]] <- 5

上面代码如果在RStudio中运行，会显示地址变化信息，但在RMarkdown中运行则不会显示；
实际过程并没有发生地址变化，即没有复制对象；此外，函数运行性能在RStudio和RMarkdown中也没有区别。

untracemem()函数可以关闭地址追踪：

untracemem(x)

下面为学堂君自行探索的结果，原文不含这部分。

语句tracemem(x)追踪的是该语句运行时x所对应的对象及其抄本在后续程序运行时的复制过程，而不是名称x对应对象的地址变化过程。下面通过三个例子加以解释。

例1：

x <- c(1,2,3) # a
cat(tracemem(x), "\n")
## <0000023A1F9D7028>x <- c(2,3,4) # b
untracemem(x)

很显然，在语句tracemem(x)前后x对应的对象发生了变化，从而地址也变化了，但结果并没有输出地址变化信息。原因如下：

假设在变化前后对应的对象分别记为a和b，当tracemem(x)运行时，x绑定的是a，那么tracemem()就会追踪对象a以及之后抄本的地址变化信息。但对象b并不是a的抄本，因此不会有地址变化信息输出出来。简言之，该函数追踪的是对象，而不是名称。

例2：

x <- c(1,2,3) # a
cat(tracemem(x), "\n")
## <0000023A1FC012C8>y <- x # a
y[[3]] <- 4 # a1
## tracemem[0x0000023a1fc012c8 -> 0x0000023a1f5cc0a8]: z <- y # a1
y[[3]] <- 5 # a2
## tracemem[0x0000023a1f5cc0a8 -> 0x0000023a1e6d8808]: 
untracemem(x)

记y第一次被修改后对应的对象为a1，它是a的抄本。前面介绍了，如果继续修改y的值，此时a1只绑定一个名称，因此a1不会被复制。这里，我们使用z <- y使得a1与两个名称绑定（y、z），然后再修改y的值就会仍然使用“copy-on-modify”模式，得到a1的抄本a2，此时有地址变化信息输出出来。

例3：

x <- c(1,2,3) # a
cat(tracemem(x), "\n")
## <0000023A1FAA2A18>y <- x # a
y[[3]] <- 4 # a1
## tracemem[0x0000023a1faa2a18 -> 0x0000023a1fac00b8]:z <- x # a
x[[3]] <- 5 # a2
## tracemem[0x0000023a1faa2a18 -> 0x0000023a1fb92bb8]:
untracemem(x)

在得到a1后，使用z <- x使得a再次与两个名称绑定（x、z），然后修改x，得到a的另一个抄本a2，此时也有地址变化信息输出出来。

2.3.3 Lists

下面一个列表与前面的向量很相似：

l1 <- list(1,2,3)

但它的结构更加复杂：它不仅储存每个元素的值，还储存每个值的索引。示意图如下：

这使得如果需要使用“copy-on-modify”模式修改列表的值时，会使用浅复制（shallow copy）：列表绑定的对象会变化，但值的索引却不会变化。

l2 <- l1
l2[[3]] <- 4

示意图如下：

lobstr::ref()函数可以以树的形式输出列表及其值所绑定对象的地址：

ref(l1)
## █ [1:0x23a1ebd75f8] <list> 
## ├─[2:0x23a1fb79f90] <dbl> 
## ├─[3:0x23a1fb7a1c0] <dbl> 
## └─[4:0x23a1fb7a3f0] <dbl>ref(l2)
## █ [1:0x23a1fb72068] <list> 
## ├─[2:0x23a1fb79f90] <dbl> 
## ├─[3:0x23a1fb7a1c0] <dbl> 
## └─[4:0x23a1e49b900] <dbl>

l1和l2对应地址不同，但它们相同元素（即前两个元素）对应的地址是相同的。

2.3.4 Data frames

数据框可看作由向量构成的列表：每列表示一个向量。如果修改数据框的列，相当于修改列表的一个元素，其他列的索引不会被修改；如果修改的是行，所有列的索引都会被修改。

分别修改列和行，查看数据框及其各列的地址变化：

df <- data.frame(x = 1:3,y = 4:6
)
ref(df)
## █ [1:0x23a2030b448] <df[,2]> 
## ├─x = [2:0x23a1e461400] <int> 
## └─y = [3:0x23a1e4614e0] <int>df$x <- 2*df$x
ref(df)
## █ [1:0x23a22351d68] <df[,2]> 
## ├─x = [2:0x23a226f0dd8] <dbl> 
## └─y = [3:0x23a1e4614e0] <int>df[1,] <- 2*df[1,]
ref(df)
## █ [1:0x23a22562ec8] <df[,2]> 
## ├─x = [2:0x23a22b89668] <dbl> 
## └─y = [3:0x23a22b89618] <dbl>

2.3.5 Character vectors

字符串向量的每个元素也都有自己的索引，同一字符串不管在哪个向量里地址都是相同的。

示意图如下：

str1 <- c("a", "abc", "a")
ref(str1, character = T)
## █ [1:0x23a233afe58] <chr> 
## ├─[2:0x23a1c638f48] <string: "a"> 
## ├─[3:0x23a20220258] <string: "abc"> 
## └─[2:0x23a1c638f48]str2 <- c("a", "b")
ref(str2, character = T)
## █ [1:0x23a22a7a788] <chr> 
## ├─[2:0x23a1c638f48] <string: "a"> 
## └─[3:0x23a1ca64e20] <string: "b">

str1中的两个a的地址是相同的；
str1和str2中的a的地址也是相同的。

2.4 Object size

lobstr::obj_size()函数可以查看对象占用的内存大小：

obj_size(x)
## 80 B

列表

同一对象的索引出现在列表的多个元素位置上时，不会重复占用内存：

x <- runif(1e6)
obj_size(x)
## 8.00 MBy <- list(x, x, x)
obj_size(y)
## 8.00 MB

上面x与y的内存之差等于三个空元素列表的大小：

obj_size(y) - obj_size(x)
## 80 Bobj_size(list(NULL, NULL, NULL))
## 80 B

两个列表的相同元素也不会重复占用总内存：

obj_size(x, y)
## 8.00 MB

字符串向量

字符串向量的各元素是分别绑定到对象的，重复字符串所占用的内存不会线性增加：

banana <- "bananas bananas bananas"
obj_size(banana)
## 136 Bobj_size(rep(banana, 100)) 
## 928 B

ALTREP

“alternative representation”的缩写，R3.5.0版本开始增加的功能。

对于形如1:3、1:30的向量表示方法，R不会储存它的所有元素，而是仅储存首、尾数字，因此无论向量的实际长度是多少，所占内存都是相同的：

obj_size(1:3)
## 680 B
obj_size(1:30)
## 680 B
obj_size(1:30000)
## 680 B
obj_size(1:3000000000000)
## 680 B

对于较短的向量，不缩写占用内存反而会更小：

obj_size(c(1,2,3))
## 80 B

2.4.1 Exercises

在下面的例子中，为何object.size(x)和obj_size(y)的结果区别这么大？请参考object.size()函数的帮助文档。

y <- rep(list(runif(1e4)), 100)object.size(y)
#> 8005648 bytes
obj_size(y)
#> 80,896 B

object.size()函数的帮助文档相关内容如下：本函数对原子向量使用会比较准确，但没有考虑列表的相同元素；考虑了不同字符串向量的相同元素，但没有考虑同一字符串的相同元素。

2.5 Modify-in-place

如下两种情况，修改对象会使用“modify-in-place”模式：

对象只绑定了一个名称；
对象是环境对象。

2.5.1 Objects with a single binding

如果对象只绑定了一个名称，在修改时会直接修改对象，不会产生抄本。

v <- c(1, 2, 3)
v[[3]] <- 4

但是R在统计对象绑定的名称数目时，只区分0、1和许多三种情况。如果对象原本绑定了2个名称（标记为“许多”），在解除其中一个绑定后，绑定数目不会归为1：因为“许多”减去1仍然是“许多”。这可能导致在不必要的情况下复制对象。

R语言的for循环以缓慢著称，主要原因就是每次迭代都会复制对象。例如下面的代码，目的是每轮迭代让一列数据减去本列的中位数：

x <- data.frame(matrix(runif(5 * 1e4), ncol = 5))
medians <- vapply(x, median, numeric(1))for (i in seq_along(medians)) {x[[i]] <- x[[i]] - medians[[i]]
}

使用tracemem()函数记录对象抄本的地址变化情况：

cat(tracemem(x), "\n")
## <0000023A23A1FA68>for (i in seq_along(medians)) {x[[i]] <- x[[i]] - medians[[i]]
}
## tracemem[0x0000023a23a1fa68 -> 0x0000023a23d27a38]:
## tracemem[0x0000023a23d27a38 -> 0x0000023a23d279c8]: [[<-.data.frame [[<- 
## tracemem[0x0000023a23d279c8 -> 0x0000023a23d27958]: 
## tracemem[0x0000023a23d27958 -> 0x0000023a23d278e8]: [[<-.data.frame [[<- 
## tracemem[0x0000023a23d278e8 -> 0x0000023a23d27878]: 
## tracemem[0x0000023a23d27878 -> 0x0000023a23d27798]: [[<-.data.frame [[<- 
## tracemem[0x0000023a23d27798 -> 0x0000023a23d276b8]: 
## tracemem[0x0000023a23d276b8 -> 0x0000023a23d275d8]: [[<-.data.frame [[<- 
## tracemem[0x0000023a23d275d8 -> 0x0000023a23d274f8]: 
## tracemem[0x0000023a23d274f8 -> 0x0000023a23d27488]: [[<-.data.frame [[<- untracemem(x)

原文这里说，每次迭代要进行三次复制，但学堂君运行的结果显示只进行两次复制。

如果想在循环中减少复制次数，可以将数据框转换为列表：

y <- as.list(x)
cat(tracemem(x), "\n")
## <0000023A23D27488>for (i in seq_along(medians)) {y[[i]] <- y[[i]] - medians[[i]]
}untracemem(y)

原文这里说一共只进行一次复制，但学堂君的结果显示没有进行复制。

2.5.2 Environments

关于环境对象，学堂君已经专门写了两篇推文：

环境Environment（上）
环境Environment（下）——函数环境

环境对象不同于其他对象，无论何种情况下修改它都会使用“modify-in-place”模式。如果环境对象与多个名称绑定，修改其中一个名称会导致其他名称对应的对象同步变化，这个属性称作“引用语义”（reference semantics）。

2.6 Unbinding and the garbage collector

使用rm()函数可以解除对象绑定的名称；当对象所有的绑定名称都被解除时，就会被放入垃圾回收器（garbage collector，GC）中。

垃圾回收器通过删除没有绑定任何名称的对象来释放内存。使用gc()函数可以强制运行垃圾回收器，但通常不需要这么做，因为它会在内存紧张时自动运行。