3.2 控制流与自编函数：勘验流程自动化

3.2 控制流与自编函数：勘验流程自动化

本节摘要：当同一套勘验动作要重复几十次，就该把它沉淀成函数。本节讲 if 与 for 的基本控制流、函数的定义与返回，更重要的主张是：R 里优先用向量化与分组汇总代替循环，循环只留给真正的逐案场景。

从重复到函数

假设要对多个国家分别计算寿命年均增速。逐国复制粘贴代码是新手写法；正确做法是把"算增速"封装成函数：

# 定义：输入数值向量，输出年均增速
growth_rate <- function(values, years) {
  first <- values[1]
  last  <- values[length(values)]
  span  <- years[length(years)] - years[1]
  (last / first)^(1 / span) - 1
}

# 调用：挪威半个多世纪的寿命年均增速
growth_rate(norway$lifeExp, norway$year)
​

函数定义的三要素：参数（输入口）、函数体（勘验动作）、返回值（默认最后一行表达式的结果，return 一般省略）。

控制流：分支与循环

# 分支：按增速快慢给结论
rate <- growth_rate(norway$lifeExp, norway$year)
if (rate > 0.01) {
  verdict <- "快速增长"
} else if (rate > 0.003) {
  verdict <- "平稳改善"
} else {
  verdict <- "基本停滞"
}

# 循环：对一批国家逐一结案
countries <- c("Norway", "China", "Nigeria")
for (cty in countries) {
  d <- gapminder_long[gapminder_long$country == cty, ]
  cat(cty, "年均增速：", round(growth_rate(d$lifeExp, d$year), 4), "\n")
}
​

更地道的选择：能不循环就不循环

上面那个 for 循环，在 R 里通常被一次分组汇总替代：

library(dplyr)
gapminder_long %>%
  group_by(country) %>%
  summarize(
    rate = (last(lifeExp) / first(lifeExp))^(1 / (last(year) - first(year))) - 1,
    .groups = "drop"
  ) %>%
  arrange(desc(rate))
​

一行链式代码完成 142 个国家的批量结案，速度与可读性双赢。同理，apply 家族（sapply、lapply、vapply）是"对每个元素套同一个函数"的循环替代品：

# 对每个国家列各求均值——不需要写循环
sapply(gapminder_wide[, 2:5], mean, na.rm = TRUE)
​

三种批量手法的选择

# 循环填容器的正确姿势：先开好房间再住人
results <- numeric(length(countries))
for (i in seq_along(countries)) {
  results[i] <- growth_rate(...)
}
​

用 seq_along 而不是 1:length(x)：当 x 长度为 0 时，后者会产生 1 到 0 的倒序序列，循环反着跑一遍——经典隐性事故。

💡 关键直觉：写循环前先问一句"这个函数能不能整表喂进去"。能向量化就向量化，不能的再写循环；for 循环在 R 里是最后手段，不是默认手段。

函数进阶：默认参数、输入校验与作用域

把 growth_rate 升级成"能挡脏输入"的生产版本，三个升级点逐一说明：

growth_rate2 <- function(values, years, min_span = 5) {
  # 升级一：输入校验——错误越早暴露，代价越小
  if (length(values) != length(years))
    stop("values 与 years 长度不一致：", length(values), " 对 ", length(years))
  if (anyNA(values) || anyNA(years))
    stop("输入含缺失值，请先清洗")
  # 升级二：默认参数——常用口径写成缺省，特殊案情再覆盖
  span <- years[length(years)] - years[1]
  if (span < min_span)
    warning("时间跨度仅 ", span, " 年，增速估计不稳定")
  # 升级三：边界防御——首值为 0 或负数时幂运算无意义
  if (values[1] <= 0) return(NA_real_)
  (values[length(values)] / values[1])^(1 / span) - 1
}

# 试跑三条：正常、脏输入、短跨度
growth_rate2(c(44, 55, 65), c(1952, 1972, 1982))
growth_rate2(c(44, NA, 65), c(1952, 1972, 1982))  # 报错：输入含缺失值
growth_rate2(c(44, 46), c(1980, 1982))            # 警告：跨度不足
​

stop 与 warning 的分工要记牢：不可恢复的问题用 stop 当场拦截，可疑但能继续的用 warning 记录在案。作用域方面，函数内部创建的变量出了函数就消失，函数只能通过返回值向外传证据——这个"只出不进"的纪律保证了函数可以放心复用。

向量化实测：同一任务的性能差距

口说无凭，实测一次向量化与循环的差距。任务：对十万个测量值同乘系数再取对数：

x <- runif(1e5, 1, 100)

# 循环版
system.time({
  out1 <- numeric(length(x))
  for (i in seq_along(x)) out1[i] <- log(x[i] * 2)
})

# 向量化版
system.time({ out2 <- log(x * 2) })
identical(out1, out2)   # TRUE，结果完全一致
​

典型结果：循环版耗时约为向量化版的几十倍。差距的来源是 R 的每次循环迭代都有解释开销，而向量化运算下沉到编译好的 C 层整块执行。日常数据量小时差距无感，但数据上了百万行，"改写法"就是最便宜的性能优化。

⚠️ 排错实录：新手常在函数里写 df$rate <- ... 想把结果写回外部数据框——函数内的 df 是副本，改的是副本，外面的原表纹丝不动。R 的赋值是"改值先复制"，跨层传结果只有返回值一条正路。

本节要点回顾

• 函数三要素：参数、函数体、末行即返回值
• if 分支配 for 循环：传统的逐案勘验骨架
• 向量化与分组汇总优先：142 次重复一行搞定
• apply 家族：对每元素套函数的循环替代品
• seq_along 防倒序：空向量下 1:length 会反向遍历