Pipe Operators in R

我在ptt分享過magrittr的文章(連結)，做為資料處理系列文章的第一篇

後來有一些額外的心得(連結)，所以又有一篇補充了一些觀念

一個大陸人Kun Ren(任堃)後來在2015年上傳了一個pipeR套件

宣稱比magrittr的pipe operator更好用，效能更佳，而且沒有模糊的界線(他的文章連結：Blog Post)

效能差異大概是快了近8倍，後面會在提及這方面

magrittr

背景介紹

先介紹一下magrittr的來由，根據這篇blog文章所提到的：

The |> operator in F# is indeed very simple: it is defined as let (|>) x f = f x. However, the usefulness of this simplicity relies heavily on a concept that is not available in R: partial application. Furthermore, functions in F# almost always adhere to certain design principles which make the simple definition sufficient. Suppose that f is a function of two arguments, then in F# you may apply f to only the first argument and obtain a new function as the result — a function of the second argument alone.

F#的pipe operator, |>, 讓他覺得非常的方便以及實用，因此，決定把這個東西實作到R裡面

(注：其實shell script也有pipe operator, |, 而且更廣為人知。)

這就是R為什麼會有magrittr這個套件的背景原由了，所以才會有了%>%, %<>%跟%T>%這幾個operator。

(注：我這裡補充一點，其實此時開發ggplot2, plyr, dplyr等套件的Hadley已經在dplyr上

推出了%.%這個operator，而且也把dplyr的函數全部都設計第一個放data.frame做為input，

只是magrittr的推出，把整個功能用到更加完善，並且還涵蓋了alias function，

因此，Hadley後來加入了magrittr的發展計畫，就未繼續開發%.%，

在Hadley後面發展的套件都可以看到他都有直接把%>% import在他的套件中，

例如：很好用的爬蟲套件rvest、開發用來處理list的purrr等都可以看到magrittr的身影。)

pipe operator的基本概念

假設現在有一個函數f，其input為a，一般在寫程式的時候，

我們都可以透過f(a)獲得f函數在a這一點的值

而%>%可以把LHS(注：left hand side of operator)當作RHS(注：right hand side of operator)的函數的第一個input

因此，透過a %>% f或是a %>% f()都等同於f(a)

同理，如果現在還有一個函數g，有兩個input，x跟y，則g(x,y)可以寫做x %>% g(y)

這樣的好處是當我們有層層推疊的(時，就可以輕易地拆解開來並執行

例如：

a_list <- list(1:6, 3:5, 4:7)
sort_uni_a <- sort(unique(unlist(a_list)))

第二行這樣連在一起非常的難讀，但是改成下面這樣，又有效能問題(暫存變數)：

unlist_list <- unlist(a_list)
sort_uni_a <- sort(unique(unlist_list))

或是改成這樣，卻沒覺得可讀性上升多少：

sort_uni_a <- sort(
  unique(
    unlist(
      a_list
    )
  )
)

但是用%>%改寫就可以兼顧可讀性跟效能問題：

sort_uni_a <- a_list %>% unlist %>% unique %>% sort

這樣就可以很容易知道他把a_list先拉成一個向量(unlist)，然後取唯一(unique)

接著排列所有元素(sort)，照著%>%的順序去讀就可以順利解讀

此時，magrittr的特性就可以被看到，他省去了暫存變數，也增加了易讀性。

%>%介紹

舉一個簡單的例子，來說明%>%的用法

a <- 1
f <- function(a) a + 1
f(a)
a %>% f
a %>% f()
a %>% f(.)

跑上面的程式可以發現，最後四個output都一樣

其實%>%做的就是把左邊變數放進右邊函數裡做執行

也就是說f(a)等同於a %>% f(或是上面其他三種)

但是怎麼最後一個a %>% f(.)看起來怪怪的，為啥有個.在那

其實在magrittr中，.是用來代表%>%前面的變數

所以a %>% f(.)程式會把.的位置換成a，變成f(a)

. 在magrittr的應用中，會佔很大的比例，也在Hadley往後的套件扮演重大的角色

像是do.call, Reduce第一個input是function，第二個是list

我們通常傳入list，所以此時必須用.做輸入位置的控制

再者，c, cbind, rbind會根據位置不同來決定是合併於何處

也是一個很重要的問題，因此，用 .做傳入位置的控制是必須的

針對這個，我給一段簡單的程式碼來示範：

a_list <- list(1:5, 3:7, 6:10)
a_list %>% do.call(rbind, .)
a_list %>% Reduce(cbind, .)

1:5 %>% rbind(3:7, .)
1:5 %>% rbind(., 3:7)

f <- function(x, a, b) a*x^2 + b
1:5 %>% f(., 2, 5) # 同 1:5 %>% f(2, 5)
1:5 %>% f(2, ., 5)
1:5 %>% f(2, 5, .)

但是，這點被Kun Ren攻擊，這裡有一些模稜兩可的問題，後面在提。

先介紹一下{}在%>%的用法，用{}括住之後，

裡面的只要不是其他%>%後面的 .都代表你前面傳入的值

這樣說有點難懂，舉個例子

1:2 %>% {
  list(
    cbind(9:10, .),
    3:4 %>% cbind(9:10, .)
  )
}

## [[1]]
##         .
## [1,]  9 1
## [2,] 10 2
## 
## [[2]]
##         .
## [1,]  9 3
## [2,] 10 4

可以看到第一個可以很直覺的解讀，9:10是跟傳入的1:2做行合併

而第二個.，因為前面有了一個新的%>%

所以這一個.就被前面的3:4取代

所以第二個output變成9:10跟3:4做行合併

回到Kun Ren攻擊的點

f <- function(x, y, z = "nothing") {
  cat("x =", x, "\n")
  cat("y =", y, "\n")
  cat("z =", z, "\n")
}

1:10 %>% f(mean(.), median(.))到底是

f(1:10, mean(1:10), median(1:10))還是f(mean(1:10),median(1:10))？

你可能會根據上面的rule很快回答出來是f(1:10, mean(1:10), median(1:10))

但是a_list %>% do.call(rbind, .)這個呢？

剛剛1:10 %>% f(mean(.), median(.))不是f(1:10, mean(1:10), median(1:10))這個嗎？

怎麼此時a_list %>% do.call(rbind, .)又是do.call(rbind, a_list)？

還有剛剛看到的1:5 %>% rbind(3:7, .)這個呢？

剛剛1:5 %>% rbind(3:7, .)是rbind(1:5, 3:7, 1:5)還是rbind(3:7, 1:5)這個嗎？

這是magrittr為了一些函數做了特例，讓整個rule出現了一些模糊的情況

但是，通常也不會去寫成a_list %>% {do.call(rbind, .)}這樣去避免模糊情況({}後面說明)

不過這個方式不能說不好，只是pipeR提供了更明確的方式去避免更複雜的方式使用do.call跟Reduce

%<>%, %T>%跟%$%介紹

如果懂了%>%， 這個就不難了

先看簡單的例子 (add是magrittr提供用在%>%上的+ (這部分請看最後面的補充))

a <- 1
a %>% add(1)  # 同 a %>% '+'(1) or a %>% '+'(., 1)
a # 1
a %<>% add(1)
a  # 2

這個例子可以看的出來%<>%除了傳入變數之外，也會改變傳入變數的值

也就是可以把a %<>% add(1)看成a = a + 1

你如果有一串要做最後賦值給你傳入的變數

只需要在第一個傳導變數的operator做改變即可，舉例來說：

dat <- data.frame(a = 1:3, b = 8:10)
dat <- dat %>% rbind(dat)
dat2 <- data.frame(a = 1:3, b = 8:10)
dat2 %<>% rbind(dat2)
all.eqaul(dat, dat2) # TRUE

至於%T>%，他只傳遞變數，不回傳值，通常用來傳遞到不回傳值的function上

像是plot, library, install.packages, plyr的*_ply等

這個operator可以幫你把前面做好的值賦予一個變數

並且同時做後面function的動作，舉例來說：

dat <- data.frame(a = rep(1:3,2), b = rnorm(6))
dat2 <- dat %>% {tapply(.$b, .$a, sum)} %>%
{ 
  data.frame(a = names(.) %>% as.integer, b = .)
} %T>% plot(.$a, .$b)

這裡dat2就是一個新的data.frame，同時，我們也把a, b的scatter plot畫出來

這部分可以用dplyr的group_by以及summarise完成

還沒提到dplyr，所以我們先用替代方法做

再來是第四個operator %$%

舉個例來說，雖然有了%>%，但是dat %>% {tapply(.$b, .$a, sum)}還是會覺得冗長

而且也容易忘記要放.$，此時%$%就提供了直接把前面變數的元素直接以名字做操作

再也不需要.$name這麼麻煩，直接用name做你想要的操作就好

所以，就可以簡單寫成dat %$% tapply(b, a, sum)

是不是就變得簡單的很多？

再給一個例子說明%$%就好

a <- 3
b <- -2
x <- rnorm(100)
y <- a + b * x + rnorm(100)
fit <- lm(y ~ x)
sigma_hat <- fit %$% {crossprod(residuals) / df.residual}

magrittr一些補充

magrittr提供很多其他function的別名

像是+, *, [, [[, <- rownames()等等

有興趣請去magrittr的manual查看extract的部分

這個可以讓你寫pipe chain的時候更加順手，像是

vals <- 1:3 %>% data.frame(a = ., b = .^2) %>% 
  set_rownames(LETTERS[1:3]) %>%
  lm(b ~ a, data = .) %>% predict

不然你可能會這樣寫

dat <- 1:3 %>% data.frame(a = ., b = .^2)
rownames(dat) <- LETTERS[1:3]
vals = dat %>% lm(b ~ a, data = .) %>% predict

你可能只是要vals這個變數，你卻還要多創一個dat這個暫存變數，而中斷chain

pipeR

這部分是未在ptt上分享過的部分，我主要根據pipeR Tutorial的內容作介紹

我先說明差異，pipeR提供了另一個pipe operator, %>>%, 其中最重要的改進就是上面說的模糊問題

強制LHS一定是RHS的第一個input

例如：

1:5 %>>% rbind(3:7)是rbind(1:5, 3:7)

1:5 %>>% rbind(3:7, .)是rbind(1:5, 3:7, 1:5)

1:5 %>>% rbind(., 3:7)是rbind(1:5, 1:5, 3:7)

那a_list %>% do.call(rbind, .)怎麼辦

pipeR設定只要寫上第一個的parameter name之後，他就會自動傳到第二個

舉例來說，a_list %>>% do.call(what = rbind)，他就會看成do.call(rbind, a_list)

因為第一個parameter的名字已經被用了，所以會自動傳到第二個參數去

或像是tutorial裡面提到的lm函數，打mtcars %>>% lm(formula = mpg ~ cyl + wt)

就會等於lm(formula = mpg ~ cyl + wt, mtcars)，其中的mtcars就會自動放在第二個data的input

這樣就規則就會沒有模糊問題，而且不需要再用{}去界定位置了

() in pipeR

再來是一些新功能，pipeR提供了()去使用單行命令，做指定位置的動作

不需要再開block ({})去產生新的environment，可以增進效率

例如上面的a_list %>>% do.call(what = rbind)也可以寫成

a_list %>>% (do.call(rbind, .))或像是lm的例子也可以寫成

mtcars %>>% (lm(mpg ~ cyl + wt, .))，至於要用上面的方式還是這裡的模式去寫

就看個人的coding習慣了，基本上，我個人是偏好前面那一種，第二種會多出太多()

而且()在pipeR還會有其他功能，在讀程式時，有時候會有點搞混，不建議用()

()在pipeR的另一個用途就是side effect，下面就來介紹他

side effect in pipeR

那什麼是side effect?

如果想要在pipe的過程中，想要作指派、輸出一些資訊

而輸出一些資訊就跟%T>%的功能一樣，但指派就是新東西了

所有side effect的指令都需要用(~跟)包起來

例如：

a_list <- list(1:5, 3:7, 6:10)
sort_uni_a <- a_list %>>% unlist %>>% 
  (~ cat("what is it? show me:\n", .)) %>>%
  unique %>>% sort

這樣一來就可以在pipe的過程中把途中的變數show出來

這樣有兩個好處，一個是不需要在額外print東西出來，可以直接pipe，另一個則是方便debug

接著是指派，舉個例子，你需要把a取unique排序後，去掉全資料的平均

以往的寫法會像是：

a_list <- list(1:5, 3:7, 6:10)
a_list_to_vec <- a_list %>>% unlist
mean_list_a <- mean(a_list_to_vec)
sort_uni_demean_a <- a_list_to_vec - mean_list_a

這樣寫就需要兩個暫存變數，a_list_to_vec跟mean_list_a，而且不能一路pipe

那改用side effect之後，就可以寫成這樣：

a_list <- list(1:5, 3:7, 6:10)
sort_uni_demean_a <- a_list %>>% unlist %>>% 
  (~ mean_list_a <- mean(.)) %>>%
  unique %>>% sort %>>% `-`(mean_list_a)

至於%>%跟%>>%的效能比較可以看下面這段程式(例子取自前面提及的Kun Ren部落格文章)：

library(magrittr)
library(pipeR)
library(microbenchmark)
microbenchmark(magrittr = {
  lapply(1:1e4, function(i) {
    sample(letters, 6, replace = T) %>%
      paste(collapse = "") %>%
      "=="("rstats")
  })
}, pipeR = {
  lapply(1:1e4, function(i) {
    sample(letters, 6, replace = T) %>>%
      paste(collapse = "") %>>%
      "=="("rstats")
  })
}, times = 20L)

# Unit: milliseconds
#      expr       min        lq     mean    median        uq       max neval
#  magrittr 1171.9026 1185.1872 1205.280 1206.4914 1224.1046 1254.3936    20
#     pipeR  367.8502  376.4954  390.729  387.3396  406.0361  438.7156    20

可以看出效能改進相當顯著，大概快了3倍，隨著loop次數增加

效能改進的倍率還會再增加，這裡就留給有興趣的人自己測試了

而pipeR還有兩個函數Pipe跟pipeline，不過我就沒研究了，有興趣的人在自己看吧

以上是我這篇文章的分享