R语言的流行病学应用 课件 第3章 控制流

第3章控制流3.1条件执行3.4并行计算3.2循环3.5练习案例3.3减少显式循环3.6小结第3章控制流R语言是一种块结构程序语言，块（block）由大括号划分。当块只包含一条语句（statement）时，大括号可以省略。多条语句由换行符或者分号分隔，但建议尽量避免使用分号，每行一条语句更易于理解。一般情况下，R语言中的语句按顺序执行。但有时可能希望改变语句执行顺序，如仅在满足特定条件时执行某些语句，或者重复执行某些语句。R语言像C语言等其他编程语言一样，提供了丰富的控制流结构。本章首先介绍条件执行结构，然后介绍循环结构，最后介绍提高代码执行效率的编码技术，包括减少显式循环和并行计算。3.1条件执行3.1条件执行条件执行结构根据特定条件执行不同的分支语句，包括base程序包中的if-else结构、ifelse()和switch()，dplyr程序包中的if_else()，以及data.table程序包中的fifelse()和fcase()等。本节主要介绍base程序包的相关函数。3.1.1if-else结构if-else结构的语法为（演示）。若条件表达式cond为真，则执行true_action语句；若为假，则执行false_action语句。注意，在if-else结构中，cond需为一元逻辑向量，且不能为缺失值（NA），否则会报错（演示）。3.1条件执行3.1.2ifelse()ifelse()是if-else结构的向量化版本。它可以对向量中的每个元素分别进行条件判断，并返回相应的结果（演示）。cond是一个布尔值向量，true_val和false_val也都是向量。当true_val、false_val的长度小于cond的长度时，前者会通过循环补齐（recycle）。该函数返回一个向量。当cond[i]为真时，返回值的第i个元素为true_val[i]；若为假，则返回值的第i个元素为false_val[i]（演示）。当处理向量且控制流是二分支时，建议使用ifelse()，这有助于提高代码执行效率。3.1条件执行3.1.3switch()除了二分支问题，实际应用中还经常会遇到多分支问题。

switch()可以根据表达式的取值，从多个候选项中返回相应结果（演示）。当表达式为整数时，按位置匹配对应的结果；当表达式为字符串时，按名称匹配对应的结果。

若整数超出范围，或者字符串无法匹配，则返回空值。因此，switch()适用于实现多分支选择结构（演示）。3.2循环3.2循环3.2.1for循环for循环用于按照给定序列依次重复执行语句。for循环重复执行语句，直到循环变量var的值不再出现在序列seq中（演示）。for循环适用于需要按顺序遍历向量、下标或其他序列的情形。循环结构允许多次执行语句。R语言提供的循环结构包括for、while和repeat，循环控制语句包括break和next。3.2循环3.2.2while循环while循环在给定条件cond为真时，重复执行语句（演示）。while循环适用于循环次数不确定、需要根据条件动态判断是否继续执行的情形。使用while循环时，需要确保给定条件能够不为真，否则会导致永久循环3.2.3repeat循环repeat循环会一直执行语句，直到条件语句为真时才通过break语句退出循环。由于repeat循环每次先执行循环体语句，再判断是否满足退出条件，因此repeat循环至少会执行一次（演示）。它适用于需要先执行操作、再判断是否结束的情况。3.2循环3.2.4循环控制R语言的break语句用于在循环体中退出当前循环，并开始执行循环体后续的语句。在多层嵌套循环中，break语句用于停止执行所在层的循环，并开始执行外层循环。next语句则用于跳过当前循环，直接进入下一次循环，类似于其他编程语言中的continue语句（演示）。通过break和next，可以更灵活地控制循环执行过程。它们是循环结构中常用的控制语句。3.3减少显式循环3.3

减少显式循环3.3.1向量化运算向量化是指将函数作用于输入向量的每个元素，返回的结果也是一个向量。R语言中的基本运算符都是向量化的（演示）。R语言的许多内置函数都是向量化的，可以直接对输入向量的每个元素进行变换。例如，sqrt()、log()、sin()、round()等常用的数学函数。基于这些简单向量化函数构建的复杂函数也是向量化的（演示）。以上介绍的循环结构是R语言的显式循环，其具有易于理解和控制的优点。然而，R是解释性语言，相比于编译语言，在执行显式循环时运行效率较低。因此，为了提高R语言的执行效率，应尽量减少显式循环。R语言提供了多种方式来实现迭代循环，包括向量化（vectorize）运算和apply族函数。3.3

减少显式循环3.3.1向量化运算在实际的R语言编程运算时，应尽可能地使用这些内置函数，不要“重复造轮子”。因为这些内置函数调用了高度优化后的C或FORTRAN预编译代码，计算效率高，经过反复应用测试，能够保证计算的正确性。R语言的设计初衷是为了统计计算，其基础计算单元是向量和矩阵。针对它们的一些统计量计算也可以通过内置函数完成，而无须使用循环。sum()、prod()、mean()和sd()可以分别计算向量的和、积、均值和标准差；colSums()和rowSums()可以分别计算矩阵的列和与行和，而colMeans()和rowMeans()可以分别计算矩阵的列均值和行均值（演示）。R语言中，尤其是处理大型数据集时，应尽量减少显式循环。显式循环的速度比向量化函数的速度慢一个数量级以上，而且代码也较为冗长。因此，充分利用R语言的内置向量化函数，不仅可以简化代码，还能提高执行效率。3.3

减少显式循环3.3.2apply族函数另一种代替显式循环的方式是使用apply族函数。apply族函数有多个，包括apply()、lapply()、sapply()、vapply()、tapply()等。这里主要介绍常用的前3个函数：apply()、lapply()和sapply()。apply()可以对矩阵或多维数组的某些维度元素应用函数（演示）。在处理大型数据集的行和列时，应优先使用colSums()、rowSums()、colMeans()和rowMeans()等内置函数（演示）。lapply()返回的列表可以转换为向量或者矩阵。这时，可以选择lapply()的一种方便使用的封装函数sapply()，可以理解为simplifiedapply（演示）。3.3

减少显式循环3.3.2apply族函数apply族函数属于泛函数（functionals）。泛函数是一类将其他函数作为参数输入的函数，它们很好地展示了R语言的函数式编程（functionalprogramming）思想。相比于apply族函数，R语言中的函数式编程工具包purrr提供了更多的一致性、规范性和便利性。map()与lapply()功能类似，都是对向量的每个元素应用函数，并返回列表。purrr程序包也提供了简便的函数，可以返回所需的数据类型3.3

减少显式循环3.3.3

dplyr程序包的向量化函数dplyr程序包提供了高度优化的向量化函数。dplyr程序包中的case_when()可以向量化多重if-else结构（data.table程序包也提供了具有类似功能的fcase()），常用于数据重编码。case_when()语法类似switch()的语法，输入一系列由“~”连接的公式，左边是逻辑表达式，确定满足此条件分支的值，右边是相应的替换值。最后的.default相当于else分支，指定当左边的逻辑表达式都不匹配时的默认返回值（演示）。dplyr程序包中的mutate()可以对数据框中已有的变量进行函数变换，创建新的变量并将其放在最后面。这些变换函数必须是向量化的，作用于变量的每一行观测值。Vectorize()可以将标量函数向量化（演示）。这些函数虽然不一定都能显著提高运行速度，但能够避免显式循环，更符合R语言的向量化和函数式编程思想。同时，它们也更符合现代数据分析中简洁、规范的数据处理方式。3.4并行运算3.4

并行运算R语言支持并行计算（parallel

computing）来提高代码的执行效率和性能。并行计算将任务分割成多个子任务，分别交给独立的计算资源（如同一台计算机的多个核心，或一个集群中不同计算机的多个核心）同时进行处理，最后将结果收集合并，从而加快整体的计算速度。parallel程序包由早期的并行处理包multicore和snow合并而来。它们对应了R语言中进行并行化的两种主要方式：进程复刻（fork）和套接字（socket）通信。multicore功能是复刻当前的R进程，在新的核心上创建R子进程，这种并行化方式仅适用于支持进程复刻的类UNIX系统（如macOS，Linux等），不适用于Windows系统。snow功能是在每个核心上创建一个R进程，然后通过socket网络连接通信，该并行化方式适用于包括Windows的所有系统。3.4

并行运算并行运算可以显著节省时间，mclapply()并行执行的速度约为lapply()串行执行速度的3.5倍，略低于两者计算所用核心数之比（4倍）。对于运行时间较长的计算任务，可以使用pbmcapply程序包中的pbmclapply()，以进度条的形式追踪和可视化mclapply()并行计算的进度（演示）。Sockets通信并行化使用起来更复杂且速度稍慢，其一般使用过程如下（演示）：（1）使用makeCluster()创建包含多个核心的集群；（2）由于集群中的每个核心都会创建独立的R进程，因此主R进程中加载的程序包、定义的变量和函数都不会自动继承，需通过clusterExport()导出给所有的R进程；（3）使用parLapply()、parSapply()等函数，将计算任务分发给集群中的不同核心并行计算；（4）并行计算完成后，使用stopCluster()关闭集群，释放计算资源。3.4

并行运算R语言的foreach程序包提供了一种简洁高效的循环方式，可以在显式for循环中并行执行任务，从而提高代码执行效率。实现在循环中并行执行代码，则foreach程序包必须与doParallel等并行后端程序包结合使用。其中，doParallel程序包充当foreach程序包和parallel程序包之间的接口。与sockets通信并行化使用过程类似，用户需使用doParallel程序包中的registerDoParallel()注册并行后端。该函数可以接收makeCluster()创建的集群对象，或者直接指定内核数。foreach循环的语法与for循环的语法类似。foreach()默认返回列表，可通过参数.combine指定函数或函数名对返回结果做进一步合并处理（演示）。3.5练习案例3.5练习案例为监测某传染性疾病的人群感染情况，某地疾病预防控制中心对所在城市的哨点社区人群开展了8轮感染情况调查，数据见第3章-控制流-data.xlsx，sheet为练习案例1的数据集。请使用for循环计算每轮调查的日新增阳性率（%）（即该轮调查期间平均每日的检测阳性率）及其95%CI。数据结构如表3.1所示，其中变量rounds为调查轮次，t_start和t_end为该轮调查起止日期，n_invgt和n_new_pos为该轮调查参与检测的人数和检测阳性人数。

3.5练习案例表3.1某地哨点社区人群某传染性疾病感染监测情况roundst_startt_endn_invgtn_ne