R 中的 do.call()
是我极少用到的一个函数,不过它在很多情况下是蛮有用的,之前我也做过简单的介绍。
它可以在实际调用函数时将参数以列表的形式传入,下面是一个简单的函数:
f <- function(x) print(x^2)
我们可以用下面的方式调用 do.call()
:
do.call(f, list(x = 4))
#> [1] 16
大部分情况下这样的用法是啰嗦的,直接 f(4)
其实已经解决上面的问题了。
最近我需要批量更新参数时发现了 do.call()
的好用之处。
在批量建模时可能需要比较对建模函数设定不同的参数,我们以求和函数作为建模函数举例。
假设建模需要 4 个参数,造一个类似的求和函数:
Sum <- function(a = 1, b = 2, c = 3, d = 4) {
return(sum(a, b, c, d))
}
而我们需要批量运行这个函数,而且只修改其中 3 个参数,另外参数是外部定义的,比如说其他使用这个函数的人。
有可能只使用 a, b, c:
Sum(a = 1, b = 3, c = 5)
#> [1] 13
也可能使用 b, c, d。
Sum(d = 1, b = 3, c = 5)
#> [1] 10
这并不能直接通过 for
循环、apply
之类的操作进行批量调用。我们来看看 do.call()
如何解决这个问题。
我们构建一个参数矩阵:
Args <- expand.grid(
c(1, 2),
c(3, 4, 5),
c(6, 7, 8, 9)
)
Args
#> Var1 Var2 Var3
#> 1 1 3 6
#> 2 2 3 6
#> 3 1 4 6
#> 4 2 4 6
#> 5 1 5 6
#> 6 2 5 6
#> 7 1 3 7
#> 8 2 3 7
#> 9 1 4 7
#> 10 2 4 7
#> 11 1 5 7
#> 12 2 5 7
#> 13 1 3 8
#> 14 2 3 8
#> 15 1 4 8
#> 16 2 4 8
#> 17 1 5 8
#> 18 2 5 8
#> 19 1 3 9
#> 20 2 3 9
#> 21 1 4 9
#> 22 2 4 9
#> 23 1 5 9
#> 24 2 5 9
假设现在是使用 a, b, c 3 个参数:
colnames(Args) <- c("a", "b", "c")
head(Args)
#> a b c
#> 1 1 3 6
#> 2 2 3 6
#> 3 1 4 6
#> 4 2 4 6
#> 5 1 5 6
#> 6 2 5 6
创建批处理函数:
batchSum <- function(ArgsMat) {
args <- list()
for (i in 1:nrow(ArgsMat)) {
args_update <- c(args, ArgsMat[i, , drop = FALSE])
do.call(Sum, args = args_update)
}
}
为了查看调用效果,我们修改下 Sum()
函数:
Sum <- function(a = 1, b = 2, c = 3, d = 4) {
message("a:", a, " b:", b, " c:", c, " d:", d)
return(sum(a, b, c, d))
}
调用参数矩阵试试:
batchSum(Args)
#> a:1 b:3 c:6 d:4
#> a:2 b:3 c:6 d:4
#> a:1 b:4 c:6 d:4
#> a:2 b:4 c:6 d:4
#> a:1 b:5 c:6 d:4
#> a:2 b:5 c:6 d:4
#> a:1 b:3 c:7 d:4
#> a:2 b:3 c:7 d:4
#> a:1 b:4 c:7 d:4
#> a:2 b:4 c:7 d:4
#> a:1 b:5 c:7 d:4
#> a:2 b:5 c:7 d:4
#> a:1 b:3 c:8 d:4
#> a:2 b:3 c:8 d:4
#> a:1 b:4 c:8 d:4
#> a:2 b:4 c:8 d:4
#> a:1 b:5 c:8 d:4
#> a:2 b:5 c:8 d:4
#> a:1 b:3 c:9 d:4
#> a:2 b:3 c:9 d:4
#> a:1 b:4 c:9 d:4
#> a:2 b:4 c:9 d:4
#> a:1 b:5 c:9 d:4
#> a:2 b:5 c:9 d:4
可以看出来整个过程中 d
是没有变的。我们再修改参数矩阵:
colnames(Args) <- c("a", "c", "d")
再次调用函数:
batchSum(Args)
#> a:1 b:2 c:3 d:6
#> a:2 b:2 c:3 d:6
#> a:1 b:2 c:4 d:6
#> a:2 b:2 c:4 d:6
#> a:1 b:2 c:5 d:6
#> a:2 b:2 c:5 d:6
#> a:1 b:2 c:3 d:7
#> a:2 b:2 c:3 d:7
#> a:1 b:2 c:4 d:7
#> a:2 b:2 c:4 d:7
#> a:1 b:2 c:5 d:7
#> a:2 b:2 c:5 d:7
#> a:1 b:2 c:3 d:8
#> a:2 b:2 c:3 d:8
#> a:1 b:2 c:4 d:8
#> a:2 b:2 c:4 d:8
#> a:1 b:2 c:5 d:8
#> a:2 b:2 c:5 d:8
#> a:1 b:2 c:3 d:9
#> a:2 b:2 c:3 d:9
#> a:1 b:2 c:4 d:9
#> a:2 b:2 c:4 d:9
#> a:1 b:2 c:5 d:9
#> a:2 b:2 c:5 d:9
此时 b
是没有变的。
以上我们通过 do.call()
实现了内部函数对外部输入的自动匹配。
该操作我把它实际用在了批量 Keras 模型的调用上:https://github.com/ShixiangWang/sigminer.prediction/blob/f64bcdf7bc8d5d819d48edc4344ed9af8b984738/R/batch_modeling_and_fitting.R#L37-L63,有兴趣的读者可以看一下。
网友评论