R Academy · 课时

reduce()、accumulate() 与 walk()

Q: 「reduce()、accumulate() 与 walk()」这节课中我会学到什么？

折叠列表、构建累计结果，并使用 walk() 应用副作用 你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

折叠列表、构建累计结果，并使用 walk() 应用副作用

reduce()、accumulate() 与 walk() 是 CoddyKit 上的免费 R Academy 课时。这是第 3 节课，共 4 节。你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。这是 R Academy 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 R Academy 课程共包含 4 节课。

超越 map() — 其他 purrr 动词

map() 会独立地对每个元素应用函数，而有些任务需要组合元素（reduce）、累积中间结果，或仅为产生副作用而应用函数（walk）。purrr 为每种情况都提供了专用函数。

library(purrr)

# Example: combining a list of numbers into a single value
nums <- list(1, 2, 3, 4, 5)

# We want: 1 + 2 + 3 + 4 + 5 = 15
# map() can't do this — it returns 5 separate results
# reduce() folds the list into one value
result <- reduce(nums, `+`)
cat('Sum via reduce:', result)

reduce() — 将列表折叠为一个值

reduce(.x, .f, .init) 会从左到右，对 .x 中的元素累计应用 .f，将列表归约为单个值。reduce(list(a,b,c), f) 会计算 f(f(a,b),c)。

library(purrr)

# reduce with max: find the overall maximum
values <- list(42, 17, 89, 55, 23)
result <- reduce(values, max)
cat('Maximum:', result, '\n')

# reduce with paste: concatenate strings
words <- list('The', 'quick', 'brown', 'fox')
reduce(words, paste)

使用 .init 调用 reduce()

.init 参数提供一个起始（seed）值。第一次调用会变为 f(.init, x[1])。当列表可能为空时（此时结果为 .init），或者您需要指定起始状态时，该参数非常重要。

library(purrr)

# Running count of elements matching a condition
data <- list(5, 12, 3, 18, 7, 15, 2)

# Count values greater than 10, starting from 0
reduce(data, function(count, x) count + (x > 10), .init = 0L)

# Also useful for string building:
reduce(c('A','B','C'), paste, sep='-', .init='START')

使用数据框调用 reduce() — 链式连接

reduce() 最强大的用途之一是连接数据框列表。您无需编写 left_join(left_join(df1, df2), df3)，而可以使用 reduce(list_of_dfs, left_join, by='key')。

library(purrr)
library(dplyr)

base_df <- data.frame(id=1:3, name=c('Alice','Bob','Carol'))
scores <- data.frame(id=1:3, score=c(85,90,78))
grades <- data.frame(id=1:3, grade=c('B','A','C'))
city <- data.frame(id=1:3, city=c('NYC','LA','Chicago'))

dfs <- list(base_df, scores, grades, city)

reduce(dfs, left_join, by='id')

accumulate() — 保留中间结果

accumulate(.x, .f) 类似于 reduce()，但会保留所有中间值。它返回一个与输入长度相同的向量（或列表），展示每一步之后的累计结果。

library(purrr)

# Running sum — same as cumsum() but via accumulate
values <- c(100, 120, 95, 140, 160)
accumulate(values, `+`)

# Running maximum
accumulate(c(50, 52, 48, 55, 53, 58), max)

使用 accumulate() 获取逐步结果

accumulate() 特别适合追踪算法步骤、逐字符构建字符串，或处理任何需要检查每个中间状态而不仅是最终结果的过程。

library(purrr)

# Compound interest step by step
principal <- 1000
rates <- c(0.05, 0.05, 0.05, 0.05, 0.05)  # 5% per year

accumulate(rates, function(balance, rate) {
  round(balance * (1 + rate), 2)
}, .init = principal)

walk() — 只产生副作用，不返回结果

walk(.x, .f) 会对 .x 的每个元素应用 .f，目的仅是产生副作用（打印、写入文件、发送消息）。它会隐式返回 .x，因此可以在处理流程中使用，而不会中断链式调用。

library(purrr)

# Print a summary for each dataset
datasets <- list(
  mtcars = mtcars[,1:3],
  iris = iris[,1:3]
)

walk(datasets, function(df) {
  cat('Rows:', nrow(df), '| Cols:', ncol(df),
      '| NAs:', sum(is.na(df)), '\n')
})

在处理流程中使用 walk()

由于 walk() 会隐式返回 .x，您可以将它插入 dplyr 处理流程中，以记录或打印中间结果，而不会中断流程。可以把它理解为用于调试或记录的观察点。

library(purrr)
library(dplyr)

results <- list(
  East = data.frame(rep=c('A','B'), sales=c(100,120)),
  West = data.frame(rep=c('C','D'), sales=c(200,190))
)

# Log each region's data, then continue processing
region_totals <- results %>%
  walk(~cat('Processing:', nrow(.x), 'rows\n')) %>%
  map_dbl(~sum(.x$sales))

print(region_totals)

walk2() — 对两个输入产生副作用

walk2(.x, .y, .f) 是 walk() 的双输入版本。一个经典用例是将多个数据框写入文件：其中 .x 是数据框列表，.y 是文件路径列表。

library(purrr)

data_list <- list(
  east = data.frame(x=1:3, y=4:6),
  west = data.frame(x=7:9, y=10:12)
)

file_paths <- list(
  '/tmp/east_data.csv',
  '/tmp/west_data.csv'
)

# Write each data frame to its corresponding path
walk2(data_list, file_paths, function(df, path) {
  write.csv(df, path, row.names=FALSE)
  cat('Written:', path, '\n')
})

iwalk() — 带索引遍历

iwalk(.x, .f) 类似于 walk()，但会将元素名称（或索引）作为第二个参数 .y 传入。当您需要知道副作用操作正在处理哪个元素时，这非常方便。

library(purrr)

region_counts <- list(East=150, West=200, North=85, South=120)

# Print each region with its rank
iwalk(region_counts, function(count, name) {
  cat(name, ':', count, 'customers\n')
})

reduce_right() — 从右到左归约

reduce(.x, .f, .dir='backward')（或已弃用的 reduce_right()）会从右到左应用函数：f(a, f(b, f(c, d)))。对于减法或构建字符串等不可交换运算，这一点很重要。

library(purrr)

words <- c('fox','brown','quick','The')

# Left-to-right: 'The quick brown fox'
reduce(rev(words), paste)

# Right-to-left: same effect but starting from right
reduce(words, function(a, b) paste(b, a))

快速检查

什么时候应该使用 walk() 而不是 map()？

回顾：reduce、accumulate、walk

关于 reduce、accumulate 和 walk 的要点：

reduce(.x, .f) — 将列表从左到右折叠为一个值；.init 设置起始值
reduce(list_of_dfs, left_join) — 用于链式连接的强大模式
accumulate(.x, .f) — 类似 reduce，但返回所有中间结果
walk(.x, .f) — 为产生副作用而应用函数（打印、写入、记录）；返回 .x
walk2(.x, .y, .f) — 双输入 walk（例如数据框 + 文件路径）
iwalk(.x, .f) — 将元素名称作为第二个参数的 walk

library(purrr)
library(dplyr)

# reduce() joins a list of data frames, accumulate() shows interim states
monthly_sums <- c(100, 120, 95, 140, 160, 130)

cat('reduce (total):      ', reduce(monthly_sums, `+`), '\n')
cat('accumulate (running):', accumulate(monthly_sums, `+`), '\n')

# walk() for side-effect logging
results <- list(a=42, b=17, c=89)
walk(results, ~cat('Value:', .x, '\n'))

常见问题解答

「reduce()、accumulate() 与 walk()」课时是免费的吗？

是的 — 「reduce()、accumulate() 与 walk()」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 R Academy 课程的其余内容，请升级到 CoddyKit PRO。 R Academy 课程共包含 4 节课。

「reduce()、accumulate() 与 walk()」这节课中我会学到什么？

折叠列表、构建累计结果，并使用 walk() 应用副作用你通过在浏览器中直接运行的动手代码来练习 R Academy，全天候 AI 导师会在你学习这节课的过程中回答你的问题。

学习 R Academy 需要有经验吗？

无需任何先前经验。CoddyKit 上的 R Academy 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。这是第 3 节课，共 4 节。

「reduce()、accumulate() 与 walk()」课时需要多长时间？

大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。

我能在这节 R Academy 课中编写并运行代码吗？

能。每节 R Academy 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。

此课程中的所有课时

← 返回 R Academy