从另一个视角看 R 语言的方言 Tidyverse

从另一个视角看 R 语言的“方言” Tidyverse，以及 RStudio 对 Tidyverse 的提倡。

作者简介

作者 Norm Matloff 为 UC Davis 计算机科学教授（曾任 UCD 统计学教授）。中文翻译及投稿至 COS 经过作者 同意 [1] 。文中的“我”为作者视角，但译文中存在的任何不妥之处当然很可能是由译者引入的，还望读者不吝 赐教 [2] 。

注意：此为简版

在我看来，Tidyverse 的主要问题在于其不利于教学。我相信使用 Tidyverse 而非 base-R 实际上会 阻碍对没有编写代码背景的初学者进行教学。这个简洁的版本仅保留了 TidyverseSkeptic 文中关于教学的部分。我在完整的文档中还谈及了其它问题，详见 英文原文全文 [3] 。

声明

本文在某种程度上比较坦率，并且涉及非常流行的 Tidyverse 及 RStudio。我想本文是有礼貌的，并且应被视为具有建设性的批评。

我对 RStudio 的人们抱有喜爱和尊敬的态度，包括 Tidyverse 的提出者 Hadley Wickham。我也一直支持他们，无论私下或是 公开 [4] 。从公司只有创始人 JJ Allaire 和首席开发 Joe Cheng 的时候开始，我们就一直互动。我向我的学生们高度赞扬 RStudio 公司，我使用并推荐 Hadley 的包 ggplot2和 stringr（均不属于 Tidyverse），有时 devtools确实节省了我大量时间。

换句话说，我并没有把 RStudio 当作什么邪恶社团。我在本文中的不少地方都表明我认为他们的行为具有良好的意图。然而，我持有如下看法： 决定推广 Tidyverse 是 RStudio 作出的错误抉择，这使 R 语言的一致性和健康性遭到威胁。

这里是我的简历。 [5] 关于 R 语言的部分，我从几乎最开始就是 R 的用户和开发者，在那之前我使用 R 的前身 S。我出版过几本使用 R 语言的书，还担任过 R Journal的主编。Hadley 也曾任此期刊的主编。

可教学性概览

•我最大的担忧来自 R 语言教学。 对于需要学习 R 语言的非程序员来说，Tidy 让精通这门语言变得更困难。

•Tidyverse 来自这样一种渴求，即要有一组相互兼容、行为一致的函数或包。这种“纯正”哲学对计算机科学家有着难以抗拒的吸引力。Tidyverse 也借鉴了其它“纯正”计算机科学（Computer Science，以下简称 CS）哲学，特别是 函数式编程（Functional Programming，以下简称 FP）。FP 抽象化且理论化， 即使对 CS 专业的学生来说也较困难。因此，显然 若学习 R 语言的人并非程序员，Tidy 是一种不甚明智的方案。

•纯正带来的其它代价包括更复杂和更抽象，代码更容易出错（同时还牺牲了性能）。

•实际上， 如果学习者之前没有编写代码的背景，Tidyverse 总体来说过于复杂，这会引发心理学家所称的 认知过载现象。

•确实，很多 Tidy 的倡导者也承认在各种意义下 Tidy 代码比 base-R 更难编写。比如，Hadley 说“可能需要一些时间让你的头脑适应 [FP].”

•RStudio 提倡 Tidyverse 的时候声称它能够使非程序员更容易学习 R。出于上述原因，与之正相反， 我要提出异议：Tidyverse 让这个群体的人们学 R 变得 更难 。

•RStudio 作了可敬的工作，让更多女性及未被充分代表的少数群体能接触到 R。然而，由于被限制在复杂的 Tidyverse 系统中，这些群体将很难为 R 语言作出更多贡献，诸如编写 CRAN 包、撰写书籍等等。这些工作需要相当熟悉 base-R 的使用，即使代码本身仍然可以主要由 Tidyverse 写就。当然，也不只是这些群体，这对任何人都适用。可惜的是 RStudio 正在伤害它本想要帮助的那些人。

可教学性

从大学以来，教学一直是我兴趣所在。我成为统计和计算机老师很多年，也得过一些教学奖项。我写的课本 Statistical Regression and Classification: from Linear Models to Machine Learning获得 2017 年的 Ziegel Award。

除此以外，我对人们如何学习有浓厚的兴趣，无论他们是孩童还是中年人。除了上述课程以外，我还教过移民成年人作为第二语言的英语，他们大多数没有完成高中教育。

关于教学的讨论，我这里把对象定为 想用 R 进行数据分析的非程序员，而不是想成为专业 R 语言程序员的人。

案例分析：R 语言第一课

Tidyverse 对初学者过于复杂。这里有一些便捷的例子显示 Tidy 的复杂性及其后果，非程序员学生学习 R 的时候难以适应。

来看一下我的在线 R 教程 fasteR[6] 。比如，考虑下面一行

即用 R 内置的尼罗河数据集绘制一副简单的直方图。

这就是我教程的第一课。简单！相反，用 Tidy 的群体不使用 base-R 而坚持使用 ggplot2绘图（再说一次，其实这并不属于 Tidy，只不过有 Tidy 的倡导者常如此描述）。要想用 Tidy，老师需要如下操作

如此，老师有太多东西需要解释——包、数据框、 ggplot 、aes 参数、 + 的作用（在这里并不表示加法）等等——因此老师也许本不该在第一堂课就展示这种用法。

同样出自我的第一课，还有

打印给定年份区间内尼罗河流量的平均数。令人惊奇的是，这不仅不会出现在 Tidy 第一课，使用 Tidy 教程的学生甚至有可能 永远不会学到如何做这件事。典型的 Tidy 老师并不认为向量对学习者有多么重要，更不要说向量下标了。

作为这个 Tidy 观点的实例，请见 Getting Started with R，作者 Beckerman et al，Oxford University Press，second edition，2017。这本书特别强调 “遵循 Tidyverse” [7] 。书共231页，仅简略地提到向量，并且完全没有提及下标。

案例分析：Dalgaard 的书

2019年12月，一位研究者发推特说 Peter Dalgaard 的一本讲统计学概论的书“过时了”，因为用的是 base-R 而非 Tidy。想一想如果要更新到 Tidy 会涉及什么，又会强加给学生多少复杂性。这里是书中的一个例子：

基于 base-R 的话，这第二课可以轻松讲到，说不定第一课就可以。而 Tidy 则不然，需要更改成

老师首先要讲授管道操作符 %>% ，又一份额外的复杂性。在做这件事情的时候，老师很可能要强调管道是“从左到右”的流，然而学生会感到困惑，因为从左到右的流完成后，马上就又跟着一个从右到左的流 <- 。（不管出于什么原因，Tidy 似乎并不使用 R 的 -> 操作。）

又一次，Tidyverse 对于没有编程背景的学习 R 的人依然过于复杂， 拖慢了学习进度。

Tidyverse 倡导者们的提法

怀着为教学致力终生的热情，我强烈质疑 Tidyverse 倡导者们的提法，即使用 Tidy 对非程序员进行教学，而不使用 base-R。

（我认为 dplyr和 data.table都是高阶的课题；两者都不适合初学者。另一方面，指导初学者使用 ggplot2则完全可行，当然要再次指出其并不是 Tidyverse 的一部分）

还没有关于倡导者们对 Tidy 可教学性的提法的研究。倡导者们通常会提供来自学生的赞誉，如

•“我用 Tidyverse 学习了 R，现在用 R 很有生产力”

•“我喜欢 Tidyverse 类似英文的自然用法”

•“我可以用 Tidyverse 做出漂亮的图”

•“Tidyverse 向我展现了数据的流动”

同时也是老师的倡导者们则会重复这些陈述并加以评论，诸如：

•“Base-R 适合专业程序员，但 Tidyverse 是只想进行数据分析的非技术人员学习 R 的最佳工具”

•“R 由统计学家创造，为统计学家使用。而我们是数据科学家，主要兴趣在于制作图表”

•“Tidyverse 是 现代的R，供我们其他人使用”

全部这些陈述要么具有误导性，要么和可教学性问题无关，或者是彻底的空话。关于 base-R 与 Tidy 间可教学性的比较，它们等于什么也没有讲。（讽刺的是，展示这些陈述的倡导者们是数据科学家，本应知道存在控制组的必要性。）

Tidyverse 带来过多复杂性，让学习变得更难

与 Tidy 倡导者的提法正相反，我相信 Tidyverse 让之前没有编程背景的人更 难学习。

认知过载是很严重的问题。Tidyverse 的学生要学习的材料相对多得多，这显然不是好的教育方法。在 “Tidyverse 诅咒” [8] 一文中，作者提到 此外他还“仅仅”用到了 60 个Tidyverse 函数——60！Tidyverse 的“明星” dplyr包含了 263 个函数。

尽管用户最开始只需要用到这些函数的一小部分，高度的复杂性依然明显存在。每当用户要使用一个操作的某种变体，都必须从几百个函数中筛选出正好是需要的那一个。

Tidy 倡导者说全部函数界面的统一性使学习变得更容易。统一的 语法确实很好，但是实际情况是用户真正需要学习的是函数的 语义，即每个函数将进行何种操作。举例来说， summarize 、 summarize_each 、 summarize_at 及 summarize_if 区别何在？在何种情况下应该使用哪个函数？用户必须加以筛选。

关于 dplyr， data.table的创造者 Matt Dowle 指出 [9]

你要整合进管道的并不是一个函数 mutate 。这一个函数可以是 mutate 、 mutate_ 、 mutate_all 、 mutate_at 、 mutate_each 、 mutate_each_ 、 mutate_if 、 transmute 、 transmute_ 、 transmute_all 、 transmute_at 或 transmute_if 。而你却告诉我 [因为用户界面都是一致的] 不需要参考手册就能学会这全部？只是共用一套语法，并不能减轻让人昏头的复杂程度。

作为对比，只要用户学会了 base-R （不难），就可以用少数几个简单的操作处理各种情况。古话说得好：“授人以鱼，不如授人以渔。”

Tidy 推广者不希望 R 初学者学习什么

Tidy 推广者提出避免使用 base-R 最基础的部分：

•$ 操作符

•[[ ]]

•循环

•plot 以及相关的基础图形函数等

他们声称这能“简化”学习的过程，然而实际上却会迫使初学者采用一套更复杂、不直观且难以阅读的方案。

案例分析：tapply 函数

tapply 是在 R 语言里最常使用的函数之一。如下所示，可以说它是对 R 初学者来说最好用的函数，但出于某些原因，Tidy 倡导者并不喜欢这个函数。

考虑 Tidyverse 教程里一个常见的例子，用到 R 的 mtcars数据集。目标是找出一部车消耗每加仑燃料平均能行驶多少英里（miles per gallon, mpg），并按汽缸个数进行分组。Tidy 给出的代码为

这是 base-R 版本：

两者都很简单。都不难为初学者所掌握。初学者看过几个例子后，把它们应用在同类别的新问题也不会有什么困难。Tidy 版本调用了两个函数，base-R 则是一个。无论如何，两个版本都不复杂，难分伯仲。但是这当然不能算作 Tidy 版本比较 容易学习的例子。

如何从两个方面进行分组比较有指导意义：

必须告诉学生， tapply 用于分组的变量数多于一个时，要把变量用 list 括起来。和前面一样，只要有一些例子，学生们这样用没有什么困难。

不过要看看输出形式：Tidy 版本输出一个 tibble，不易阅读，而 tapply 输出一个 R 矩阵，以双向表的形式打印出来。后者的形式恰好是很多学生所需要的，比如应用到社会科学研究等。

此外， tapply 的输出还有另一重含义，让用户能够察觉没有8-汽缸、4-挡位的汽车也是在很多应用中非常有意义的一类信息。

实际上，可以对 Tidy 版本加以修改以显示空白组：

注意需要格式转换，Tidy 文档没有提到。即使有文档，这对 R 初学者来说也是更加复杂了。

因此，说到晓畅程度和可学习性，在这个特定的例子里 Tidy 和 base-R 都不错，Tidy 也并没有更容易学习。至于可用性，我判 base-R 获胜。

对函数式编程的使用

Tidyverse 包中另一个特殊的库，面向 函数式编程（FP）的 purrr，有 177 个函数。关于复杂性的论点依然适用；我们再次遇到和上述 dplyr同样的问题，“有太多函数要学”。

从入门的层次看，FP 就是调用 FP 函数以取代循环。R 的 apply 函数家族，再加上 Reduce 、 Map 和 Filter ，就属于 FP。在很多情况下，使用这些函数是正确的方案。但是按很多 Tidy 推广者提倡的，不加区分地使用 FP 替代 所有循环，明显是过分了，还特别给初学者带来很多困难。

这个推断是 先验的—— FP 涉及函数的编写，而多数初学者需要很长时间去掌握这项技能。

值得注意的是，顶尖大学的计算机系在逐渐调整编程绪论课程，不再使用 FP 范式，而是采用更传统的 Python。他们认为 FP 更加抽象，更有挑战性。

关于这个话题，一个有趣的讨论见 Charavarty 和 Keller [10] 。其实他们支持在 CS 专业的编程绪论课堂中使用 FP，但两位作者的目标和学习 R 的人正好是对立的。作者们列出了三个目标，其中一个是讲授计算机科学理论，对 R 的一般性教学来说，这是不可取的，更不要说教没有编写代码经验的人学习 R 语言。他们承认，即使是对 CS 学生来说，FP 的一个关键概念 递归也是“显著的障碍”。

如果说 FP 对 CS 学生就很难，那么就没有道理让学习 R 的非程序员学生去使用 FP。

甚至 Hadley 也在 R for Data Science中说道：

把一个函数传递给另一个函数，这个想法十分强大， 也是使 R 可以成为函数式编程语言的行为之一。你可能需要一些时间让你的头脑适应这个想法， 然而这种投入是值得的。实际上，大多数非 FP 的语言也允许将一个函数传递给另一个，而且这也确实是个强大的工具，值得投入时间学习—— 对于有经验的 R 程序员来说。然而，不应当强迫学习 R 的非程序员“让他们的头脑适应” purrr。

我们再次使用 mtcars做例子，来自 在线教程 [11] 。这里的目标是用车重去回归英里每加仑，计算每个汽缸组别的 R 2 。这是 Tidy 方案，来自 map 的在线帮助页面：

这里有几个主要的点需要注意：

•针对这个特定的例子，学习 R 的人必须要学习两个不同的 map 函数，以及大量其它函数，只为了一个基础用法。这个例子很好地说明了 Tidy 认知过载的问题。实际上， purrr有 52 个不同的 map 函数！（见下）

•第一个 map 调用中的第一个 ~ 十分不直观，即使有经验的程序员也没法猜出其作用。这能有力反驳 Tidy 倡导者所声称 Tidy 更符合直觉、就像英语。

•Tidy 执着于避开使用 R 语言标准的 $ 符号，导致了各种混乱与困惑。

•不幸的学生自然要问：“表达式里的 ‘summary’ 是哪里来的？”看起来像是在调用 map 的时候用了不存在的变量 summary。而在幕布背后，实际上是 base-R 的 summary 函数被调用于前面的计算。这又是相当不直观的，在线帮助页面中也 没有提到。

•这个可怜的学生会对调用 map_dbl 感到进一步困扰。那个 r.squared 从哪里来？再一次，Tidy 把事实隐藏了， summary 会产生一个含有 r.squared 组件的 S3 对象。是的，有时候隐藏细节是有帮助的，但只是在不会让初学者感到困惑的时候。

实际上， R 初学者最好还是从写一个循环开始，避开具有挑战性的 FP 概念。即使老师认为初学者 必须学习 FP，base-R 版本也要简单很多：

这里 lmr2 有明确的定义，而不是 Tidy 版本里难以看透的 map 调用和其中的 ~ 。

在关于这个例子的 推特讨论 [12] 中，一个 Tidy 倡导者提出异议说上面的 purrr代码不适合学生用：

说的没错，但我原本的推特是讲如何教导新人的。你的例子其实是无关的，因为这是非常复杂的概念。这就是我的观点！ 新人应该用循环，而不是purrr。然而 Tidy 推广者不愿让学生用循环。所以用 Tidy 的老师就得避免给学生用这样的例子，对于同样的例子，用 base-R 的老师就很容易处理。

如上所述，Tidy 版本是对“有太多函数要学”这种认知过载的写照，我们更早在 dplyr中也见到了这个问题。请看：

作为对比，base-R 版本中我们就只用到了 base-R！在 apply 家族中只有四个函数要学： apply 、 lapply 、 sapply 和 tapply 。

Tibbles

同样，迫使学生学习 tibbles 是糟糕的教学方法。这是更复杂的技术，还是数据框更简明。需要 tibbles 解决的情况应属于进阶课题，并不适宜没有编码背景的初学者。

这些高级的情况下，数据框里列或行的元素不是 原子对象，即并非简单的数字、字符串或者逻辑值。 这是 Tidy 倡导者树立的“稻草人”；R 初学者不大可能遇到这种类型的数据框。

英语的问题

Tidyverse 倡导者强调最多的观点是 Tidyverse 的语法“像英语”，所以更容易教学。

下面对比“英语”的 dplyr和“非英语”的 data.table（来自 这里 [13] ）。我们要再次使用 R 内置的 mtcars数据集。

真有什么区别吗？初学者即使没有编程背景，看过一些例子后，也无法快速采用这两者中的任一种吗？声称 dplyr具有高度可教学性的老师也会欣然同意他们的学生可以容易地学会 data.table，只要给一些例子，也就是我为初学者所选择的 base-R。

早些时候我们见过的 purrr例子

甚至有经验（但非 R）的程序员也难以理解，这和声称的“像英语一样晓畅”明显是矛盾的。而且 dplyr中 mutate 的意思和英语中的意思一点都不接近，也不太可能猜出来，非 R 的专业程序员也不行。

换句话说，尽管学生可能会说他们喜欢 Tidy “英语”的方面，其好处却不是实在的。如果学习 base-R 而不是 Tidy，他们可能会更精通 R，学得 更快。

顺便说一下，如下所述，Tidy 倡导者不喜欢的很多 base-R 函数，名字 确实使用了英语，例如 plot 、 lines 、 aggregate 和 merge 。那么显然英语不是核心问题。

管道

Tidyverse 还大量使用 magrittr管道，比如把复合函数 h(g(f(x))) 写成

这个例子的卖点是“英语”，可以从左向右阅读。然而，这到底有多少价值？在任何情况下，我个人也都可以从左向右写这段代码， 无需使用管道：

作为一名老师，我长期讲授编程语言（C、C++、Java、Pascal、Python、R、汇编语言等等），我发现对管道的介绍一直是个麻烦。使用管道的代码版本隐藏了 g 和 h 也各需要一个变量的事实，变量在管道的表达式中并不可见。

假如 w 需要两个变量，若第一个变量在管道中使用了，就会隐藏起来，看起来好像就只有一个变量：

这里 w 有两个变量，但看起来只有一个。

如果我们想让 3 作为 v，而不是 u 呢？可以做到，用 magrittr的“点”记法：

这是说明我观点的又一个例子， Tidy 用额外且不必要的复杂性给学习 R 的人增加了负担。正如同有 263 个函数的 dplyr，对初学者来说，管道也同样过于复杂。管道在使用中变体太多了，Hadley 的书 R for Data Science用了一整章讲管道，共 3415 个单词。

如前所述，初学者一开始只需要学习其中的一小部分内容，但上面的点记法的例子当然还不能算高级案例。初学者每次遇到新的状况，都必须从无数变体中筛选， dplyr、 purrr、管道或者别的什么。

此外，如果上述函数 h 需要两个变量而不是一个，并且每一个变量都需要函数的复合呢？管道就没法用了。

更为重要的是，即使管道的倡导者也会承认管道调试更加困难；作为对比，我上面写的那种风格很容易调试。另外，问题规模大的时候，用管道的代码运行较慢。

Tidy 倡导者提出管道的好处是“从左向右”执行。他们承认无需管道也能做到这点，但是强调需要付出创建变量存储中间结果的代价。这是个有效的观点，但是得到的好处不大。和给学习 R 的人带来的认知过载、调试困难等问题比，值得吗？在我看来显然不值得。

代码可读性

Tidyverse 倡导者还提出 dplyr的“英语”用法让代码更容易“阅读”，而不仅是编写。在我看来，这错过了重点；任何软件工程的老师都会告诉你，最佳代码可读性来自使用 真正英语编写良好、有意义的代码注释。写注释对非程序员来说同样重要，甚至可能更重要。

我的 R 风格导引 [14] 中提到了更多可读性问题。

总结：Tidyverse 在教学中的合理地位

正如我前面所说，与成功使用 Tidyverse 指导初学者程序员的老师讨论时，我问他们学生是否没有能力只学习 base-R，他们承认答案是否定的。事实上，在 Tidyverse 之前，大量在过去没有任何编程背景的人都在学习 base-R，。

如前所述，Tidyverse 难以调试，并且在大型数据集上运行缓慢。所感知的“像英语”的益处是虚幻的。

简言之，在我看来，通过 Tidyverse 讲授 R 没有任何好处，而且存在一些重大的缺点。我认为在向初学者讲授 R 时采用 Tidyverse 是错误的，原因如下：

1.复杂，Tidyverse 中新函数新概念太多。

2.难以调试。

3.泛化能力差。

推荐

教学：

R 的课程， 特别是面向非程序员的课程，应当以 base-R 建立稳固的基础作为第一要务。

Tidy 在 R 课程中的适当位置应该是：

•dplyr：与 data.table一起在中等 R 级别教学。

•purrr：仅在高等级别教学.

•管道：在中等级别教学，作为一个对有些学生在有些情况下有用的 选项，（而非作为 必须采用的工作方式）。

我当然不是说应该只使用 base-R；正相反，CRAN 是 R 的一大优势，我也大量使用，R 初学者绝对应该知道这个。

但是，Tidyverse 应被视为高级的 R，不是面向初学者的入门级别的 R，就像大多数复杂的 CRAN 包一样，Tidyverse 应该作为 选项被呈现，而非 必须的方式。

RStudio 的作用

在我看来，RStudio 可以很容易地解决这个问题。可以采取以下措施，大大改善“垄断”问题：

1.向初学者推广 base-R 的教学，把 Tidyverse 作为高级课题。 R for Everyone: Advanced Analytics and Graphics(second ed.)，作者 Jared Lander 这本流行书就是这样做的！

2.在 RStudio 各种关于编写快速 R 代码的网页中，给予 data.table同等对待。

References

译者：李嵩

校对：任焱、黄湘云

最后编辑：2022-06-27

作者：萌小白

一个热爱网络的青年！

站内专栏 邮箱