R Academy · Lektion

keep(), discard() och listfiltrering

Filtrera listelement med predikatfunktioner för rena pipelines.

Lektion 4 av 413 steg

keep(), discard() och listfiltrering är en gratis lektion i R Academy på CoddyKit. Detta är lektion 4 av 4. Du kan läsa vilka 3 lektioner som helst i den här lärvägen kostnadsfritt i sin helhet – därefter låser CoddyKit PRO upp alla lektioner, plus praktisk övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Den ingår i lärvägen för R Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i R Academy innehåller totalt 4 lektioner.

Filtrera listor med purrr

purrr tillhandahåller en familj funktioner för att filtrera, söka och testa listor utifrån predikat. Ett predikat är en funktion som returnerar TRUE eller FALSE. Dessa funktioner ersätter utförliga Filter()-anrop och villkorsstyrda loopar.

library(purrr)

# A mixed list to filter
mixed <- list(1L, 'hello', 3.14, NULL, TRUE, 42L, 'world', NULL)

cat('Total elements:', length(mixed), '\n')
cat('Non-NULL elements:', length(compact(mixed)))

keep() — behålla element som matchar ett predikat

keep(.x, .p) behåller endast de element i .x för vilka predikatet .p returnerar TRUE. Det är motsatsen till discard(). Predikatet kan vara ett funktionsnamn, en formel eller en logisk vektor.

library(purrr)

mixed <- list(1L, 'hello', 3.14, TRUE, 42L, 'world', 2.7)

# Keep only numeric values
numeric_only <- keep(mixed, is.numeric)
print(numeric_only)

# Keep values greater than 5
keep(mixed, ~is.numeric(.x) && .x > 5)

discard() — ta bort element som matchar ett predikat

discard(.x, .p) tar bort element där predikatet returnerar TRUE och behåller resten. Det är motsvarigheten till keep(). Använd den för att filtrera bort nullvärden, NA-värden eller oönskade typer från en lista.

library(purrr)

results <- list(
  model_a = list(rmse=2.5, converged=TRUE),
  model_b = list(rmse=NA, converged=FALSE),
  model_c = list(rmse=1.8, converged=TRUE),
  model_d = list(rmse=NA, converged=FALSE)
)

# Discard models that did not converge
converged_models <- discard(results, ~!.x$converged)
map_dbl(converged_models, ~.x$rmse)

compact() — ta bort NULL-element

compact(.x) tar bort alla NULL-element från en lista — motsvarande discard(.x, is.null), men mer kortfattat. Den är särskilt användbar efter map()-anrop som kan returnera NULL för vissa indata.

library(purrr)

# Simulate fetching data that might return NULL
ids <- 1:6
fetch_data <- function(id) {
  if (id %% 2 == 0) NULL else list(id=id, value=id*10)
}

raw_results <- map(ids, fetch_data)
cat('With NULLs:', length(raw_results), '\n')

clean_results <- compact(raw_results)
cat('Without NULLs:', length(clean_results))

detect() — hitta första matchningen

detect(.x, .p) returnerar det första elementet som uppfyller predikatet. Om inget element matchar returnerar den NULL. Använd detect(.right=TRUE) för att söka från höger och hitta den sista matchningen.

library(purrr)

prices <- list(15.99, 8.50, 23.99, 5.25, 19.99, 4.75)

# Find first price under $10
first_cheap <- detect(prices, ~.x < 10)
cat('First price under $10:', first_cheap, '\n')

# Find last price under $10
last_cheap <- detect(prices, ~.x < 10, .right=TRUE)
cat('Last price under $10:', last_cheap)

detect_index() — hitta positionen för första matchningen

detect_index(.x, .p) returnerar indexet för det första elementet som uppfyller predikatet, eller 0L om inget hittas. Det är användbart när Ni behöver positionen i stället för värdet, till exempel för att uppdatera eller hämta elementet.

library(purrr)

models <- list(
  list(name='lm', rmse=3.5),
  list(name='rf', rmse=2.1),
  list(name='xgb', rmse=1.8),
  list(name='svm', rmse=2.4)
)

# Find the index of the best model (lowest RMSE)
best_idx <- detect_index(models, function(m) m$rmse < 2.0)
cat('Best model index:', best_idx, '\n')
cat('Best model name:', models[[best_idx]]$name)

every() — matchar alla element?

every(.x, .p) returnerar TRUE om predikatet är uppfyllt för varje element. Den avbryter sökningen vid det första FALSE. Motsvarar all(map_lgl(.x, .p)), men utvärderas lazy.

library(purrr)

batch_results <- list(
  list(status='success', rows=150),
  list(status='success', rows=200),
  list(status='success', rows=175)
)

failed_batch <- list(
  list(status='success', rows=150),
  list(status='error', rows=0),
  list(status='success', rows=175)
)

cat('All success (good):', every(batch_results, ~.x$status == 'success'), '\n')
cat('All success (bad):', every(failed_batch, ~.x$status == 'success'))

some() — matchar något element?

some(.x, .p) returnerar TRUE om minst ett element uppfyller predikatet. Den avbryter sökningen vid det första TRUE. Motsvarar any(map_lgl(.x, .p)), men utvärderas lazy.

library(purrr)

datasets <- list(
  data.frame(x=1:3, y=c(1,NA,3)),
  data.frame(x=4:6, y=7:9),
  data.frame(x=7:9, y=c(NA,NA,NA))
)

# Does any dataset contain NAs?
cat('Any NAs:', some(datasets, anyNA), '\n')

# Is every dataset NA-free?
cat('All clean:', every(datasets, ~!anyNA(.x)))

none() — matchar inget element?

none(.x, .p) returnerar TRUE om inget element uppfyller predikatet. Det motsvarar !some(.x, .p), men är tydligare i valideringssammanhang där Ni vill säkerställa att ett villkor saknas.

library(purrr)

api_responses <- list(
  list(code=200, data='OK'),
  list(code=200, data='OK'),
  list(code=201, data='Created')
)

# Ensure no errors occurred
no_errors <- none(api_responses, ~.x$code >= 400)
cat('No errors:', no_errors, '\n')

# Check another batch
bad_batch <- c(api_responses, list(list(code=500, data='Error')))
none(bad_batch, ~.x$code >= 400)

Kombinera keep() med map()

Att kedja keep() (eller discard()) med map() är ett vanligt mönster: filtrera först listan till relevanta element och tillämpa sedan en transformering. På så sätt hålls filtreringslogiken tydligt åtskild från bearbetningslogiken.

library(purrr)

model_results <- list(
  list(name='A', converged=TRUE, rmse=2.5),
  list(name='B', converged=FALSE, rmse=NA),
  list(name='C', converged=TRUE, rmse=1.8),
  list(name='D', converged=TRUE, rmse=3.1)
)

# Keep converged, extract RMSE
model_results %>%
  keep(~.x$converged) %>%
  map_dbl(~.x$rmse)

Använda keep() med is.*-funktioner

R:s inbyggda predikatfunktioner is.* (is.numeric, is.character, is.null, is.na, is.finite) fungerar direkt som predikat i keep() och discard(), utan att behöva omslutas av ~.

library(purrr)

mixed_env <- list(
  count = 42L,
  name = 'Alice',
  ratio = 3.14,
  flag = TRUE,
  missing = NULL,
  data = data.frame(x=1:3)
)

# Extract different types
numeric_items <- keep(mixed_env, is.numeric)
cat('Numeric items:', length(numeric_items), '\n')

# Remove NULL items
cleaned <- discard(mixed_env, is.null)
cat('After removing NULL:', length(cleaned))

Snabbkontroll

Vad returnerar detect(.x, .p) när inget element i .x uppfyller predikatet .p?

Besvara frågan i den interaktiva lektionen

Sammanfattning: funktioner för listfiltrering

Viktiga punkter om purrr:s verktyg för listfiltrering:

keep(.x, .p) — behåller element där predikatet är TRUE
discard(.x, .p) — tar bort element där predikatet är TRUE
compact(.x) — tar bort alla NULL-element
detect(.x, .p) — returnerar det första elementet som matchar predikatet (eller NULL)
detect_index(.x, .p) — returnerar indexet för den första träffen (eller 0L)
every(.x, .p) — TRUE om alla element matchar
some(.x, .p) — TRUE om något element matchar
none(.x, .p) — TRUE om inget element matchar

library(purrr)

scores <- list(45, 72, 88, 53, 91, 67, 39, 85)

passing <- keep(scores, ~.x >= 60)
failing <- discard(scores, ~.x >= 60)

cat('Passing:', length(passing), 'students\n')
cat('Failing:', length(failing), 'students\n')
cat('All pass:', every(scores, ~.x >= 60), '\n')
cat('Any fail:', some(scores, ~.x < 60), '\n')
cat('First pass score:', detect(scores, ~.x >= 60))

Gratis att börja

Lär dig R med en AI-lärare – gratis

Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.

Kurser: 43
Lektioner: 159

Börja lära dig gratis Visa hela kursen

Vanliga frågor

Är lektionen ”keep(), discard() och listfiltrering” gratis?

Ja – du kan läsa vilka 3 lektioner som helst i lärvägen R Academy, inklusive ”keep(), discard() och listfiltrering”, kostnadsfritt i sin helhet här på webben. Därefter låser CoddyKit PRO upp alla lektioner, plus interaktiv övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Kursen i R Academy innehåller totalt 4 lektioner.

Vad lär jag mig i ”keep(), discard() och listfiltrering”?

Filtrera listelement med predikatfunktioner för rena pipelines. Ni övar på R Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.

Behöver jag någon erfarenhet för att börja lära mig R Academy?

Du behöver inga förkunskaper. Utbildningen i R Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 4 av 4.

Hur lång tid tar lektionen ”keep(), discard() och listfiltrering”?

De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.

Kan jag skriva och köra kod i den här R Academy-lektionen?

Ja. Varje R Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.

Alla lektioner i den här kursen

← Tillbaka till R Academy