R：通过引用传递数据帧答案

【问题标题】：R: Passing a data frame by referenceR：通过引用传递数据帧
【发布时间】：2012-06-27 18:44:03
【问题描述】：

R 具有按值传递的语义，可以最大限度地减少意外副作用（一件好事）。但是，当代码被组织成许多函数/方法以实现可重用性/可读性/可维护性时，以及当代码需要通过例如大数据帧、通过一系列转换/操作来操作大型数据结构时，传递值语义会导致大量的数据复制和大量的堆颠簸（一件坏事）。例如，在作为函数参数传递的堆上占用 50Mb 的数据帧将至少复制与函数调用深度相同的次数，并且调用堆栈底部的堆大小将为 N* 50MB。如果函数从调用链的深处返回一个转换/修改的数据帧，那么复制会增加另一个 N。

SO 问题What is the best way to avoid passing a data frame around? 涉及该主题，但措辞方式避免直接询问传递引用问题，而获胜的答案基本上是说：“是的，传递值是 R 的工作方式”。这实际上并不是 100% 准确的。 R 环境支持按引用传递语义，而 OO 框架（例如 proto）广泛使用此功能。例如，当一个 proto 对象作为函数参数传递时，它的“魔术包装器”是按值传递的，对于 R 开发人员来说，语义是按引用传递的。

似乎通过引用传递大数据框将是一个常见问题，我想知道其他人如何处理它以及是否有任何库可以实现这一点。在我的搜索中，我没有发现一个。

如果没有可用的东西，我的方法是创建一个包装数据框的原型对象。我会很感激有关应该添加到该对象以使其有用的语法糖的指针，例如，重载 $ 和 [[ 运算符，以及我应该注意的任何陷阱。我不是 R 专家。

与 R 完美集成的与类型无关的按引用传递解决方案的奖励积分，尽管我的需求完全是数据帧。

【问题讨论】：

我认为您问题中的前提不正确。 R 仅在更改时复制，因此只要不更改对象，您就可以愉快地将参数传递到调用堆栈而无需创建新副本。我会在一分钟内尝试为您找到一些关于此的参考资料。
查看例如这个问题及其@matthewdowle 的回答：stackoverflow.com/q/10225098/602276
安德烈是对的。很惊讶您在搜索大型 data.frame 时没有找到 data.table。你搜索了什么？
相关：memory efficient way of passing large objects in R
@Andrie，感谢您指出这一点。我很惊讶它没有在R 编程的艺术 等书籍中提及。它似乎是一个基本的语言特征。您推荐的关于 R 内部的最佳读物是什么？

标签： performance r dataframe data.table proto

【解决方案1】：

问题的前提（部分）不正确。 R 以传递承诺的方式工作，只有在传递承诺时对数据帧进行进一步分配和更改时，才会以您概述的方式重复复制。因此，副本的数量将不是 N*size，其中 N 是堆栈深度，而是其中 N 是进行分配的级别数。但是，您是对的，环境可能很有用。我看到你已经找到了'proto'包的链接。还有一个相对较新的“参考类”，有时称为“R5”，其中 R/S3 是在 R 中复制的 S3 的原始类系统，而 R4 将是最近的类系统，似乎主要支持BioConductor 软件包开发。

以下是 Steve Lianoglou 的示例链接（在讨论引用类优点的线程中），该示例将环境嵌入到 S4 对象中以避免复制成本：

https://stat.ethz.ch/pipermail/r-help/2011-September/289987.html

Matthew Dowle 的 'data.table' 包创建了一个新的数据对象类，其使用“[”的访问语义与常规 R data.frames 的访问语义不同，它实际上是作为传递引用工作的。它具有卓越的访问和处理速度。它也可以依靠数据帧语义，因为在后来的几年中，这些对象现在继承了“data.frame”类。

您可能还想调查Hesterberg's dataframe package。

【讨论】：

和 +1 用于链接到数据框包，现在已合并（或至少在哲学中）到 R 2.15-1
@DWin，感谢您提供的信息。 Pass-by-promise 作为一种优化是有意义的，尽管它对我的情况没有帮助，即多个步骤对同一数据帧进行操作以将其从“原始”变为可处理。通常，修改是在处理管道的不同步骤中执行的，但在某些情况下，它们是在同一调用链中执行的，因为具有不同不变量的抽象边界被交叉。我会研究你推荐的包。