Как локальные() отличаются от других подходов к замыканию в R?

Ответ 1

Инкапсуляция

Преимущество этого стиля программирования в том, что скрытые объекты вряд ли будут перезаписаны чем-либо еще, поэтому вы можете быть более уверенными в том, что они содержат то, что вы думаете. Они не будут использоваться по ошибке, так как к ним нельзя легко получить доступ. В связанном с сообщением в вопросе есть глобальная переменная count, к которой можно было бы получить доступ и перезаписать из любого места, поэтому, если мы отлаживаем код и смотрим на count и видим его измененное, мы не можем быть уверены, какая часть кода изменил его. Напротив, в примере кода вопроса у нас есть большая уверенность, что никакая другая часть кода не задействована.

Обратите внимание, что мы действительно можем получить доступ к скрытой функции, хотя это не так просто:

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

Объектно-ориентированное программирование

Также обратите внимание, что это очень близко к объектно-ориентированному программированию, где example и hidden.fn являются методами и hidden.x является свойством. Мы могли бы сделать это так, чтобы сделать это явным:

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

proto не скрывает x и fn, но не так легко получить к ним доступ по ошибке, так как вы должны использовать p$x и p$fn() для доступа к ним, что на самом деле не отличается от возможности писать e <- environment(example); e$hidden.fn()

EDIT:

Объектно-ориентированный подход добавляет возможность наследования, например. можно определить дочерний элемент p, который действует как p, за исключением того, что он переопределяет fn.

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

Ответ 2

local() может реализовать одноэлементный шаблон - например, пакет snow использует это для отслеживания одного экземпляра Rmpi, который может создать пользователь.

getMPIcluster <- NULL
setMPIcluster <- NULL
local({
    cl <- NULL
    getMPIcluster <<- function() cl
    setMPIcluster <<- function(new) cl <<- new
})

local() также может использоваться для управления памятью в script, например, выделение больших промежуточных объектов, необходимых для создания конечного объекта в последней строке предложения. Большие промежуточные объекты доступны для сбора мусора, когда возвращается local.

Использование функции для создания замыкания - это шаблон factory - пример банковский счет в документации Введение в R, где каждый время open.account, создается новая учетная запись.

Как упоминает @otsaw, memoization может быть реализована с использованием локальных, например, для кэширования веб-сайтов в искателе

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())

(обычный пример memoization, числа Фибоначчи, не удовлетворяет - диапазон чисел, которые не переполняют числовое число R, мало, поэтому можно было бы, вероятно, использовать справочную таблицу эффективно предварительно рассчитанных значений), Интересно, как гусеница здесь одиночная; может легко следовать шаблону factory, поэтому один искатель на базовый URL.