Pourquoi est «[« mieux que «sous-ensemble»?

Lorsque je dois filtrer un data.frame, c'est-à-dire extraire des lignes qui remplissent certaines conditions, je préfère utiliser la subsetfonction:

subset(airquality, Month == 8 & Temp > 90)

Plutôt que la [fonction:

airquality[airquality$Month == 8 & airquality$Temp > 90, ]

Il y a deux raisons principales à ma préférence:

1. Je trouve que le code se lit mieux, de gauche à droite. Même les personnes qui ne connaissent rien à R pourraient dire ce que fait la subsetdéclaration ci-dessus.

2. Étant donné que les colonnes peuvent être appelées variables dans l' selectexpression, je peux enregistrer quelques frappes. Dans mon exemple ci-dessus, je n'ai dû taper airqualityqu'une seule fois avec subset, mais trois fois avec [.

Je vivais donc heureux, en utilisant subsetpartout parce qu'il est plus court et se lit mieux, même en préconisant sa beauté à mes collègues codeurs R. Mais hier, mon monde s'est brisé. En lisant la subsetdocumentation, je remarque cette section:

Attention

Il s'agit d'une fonction pratique destinée à être utilisée de manière interactive. Pour la programmation, il est préférable d'utiliser les fonctions de sous-ensemble standard comme [, et en particulier l'évaluation non standard du sous-ensemble d'arguments peut avoir des conséquences imprévues.

Quelqu'un pourrait-il aider à clarifier ce que les auteurs veulent dire?

Premièrement, que veulent-ils dire par « pour une utilisation interactive »? Je sais ce qu'est une session interactive, par opposition à un script exécuté en mode BATCH mais je ne vois pas quelle différence cela devrait faire.

Ensuite, pourriez-vous expliquer " l'évaluation non standard du sous-ensemble d'arguments " et pourquoi elle est dangereuse, peut-être fournir un exemple?

Cette question a été bien répondu dans les commentaires de @James, pointant une excellente explication par Hadley Wickham des dangers de subset(et des fonctions similaires) [ici] . Allez le lire!

C'est une lecture assez longue, donc il peut être utile d'enregistrer ici l'exemple que Hadley utilise qui répond le plus directement à la question de "qu'est-ce qui peut mal tourner?":

Hadley suggère l'exemple suivant: supposons que nous voulons sous-ensemble puis réorganiser une trame de données en utilisant les fonctions suivantes:

scramble <- function(x) x[sample(nrow(x)), ]

subscramble <- function(x, condition) {
  scramble(subset(x, condition))
}

subscramble(mtcars, cyl == 4)

Cela renvoie l'erreur:

Erreur dans eval (expr, envir, enclos): objet 'cyl' introuvable

car R ne "sait" plus où trouver l'objet appelé 'cyl'. Il souligne également les choses vraiment bizarres qui peuvent se produire si par hasard il y a un objet appelé «cyl» dans l'environnement mondial:

cyl <- 4
subscramble(mtcars, cyl == 4)

cyl <- sample(10, 100, rep = T)
subscramble(mtcars, cyl == 4)

(Exécutez-les et voyez par vous-même, c'est assez fou.)

Est également [plus rapide:

require(microbenchmark)        
microbenchmark(subset(airquality, Month == 8 & Temp > 90),airquality[airquality$Month == 8 & airquality$Temp > 90,])
    Unit: microseconds
                                                           expr     min       lq   median       uq     max neval
                     subset(airquality, Month == 8 & Temp > 90) 301.994 312.1565 317.3600 349.4170 500.903   100
     airquality[airquality$Month == 8 & airquality$Temp > 90, ] 234.807 239.3125 244.2715 271.7885 340.058   100