summary <- function(object, ...) UseMethod("summary")Programmation fonctionnelle objet en R (S3)
Introduction : S3 et la Programmation Orientée Objet
Comme on l’a vu dans la page d’introduction, S3 est un système de programmation orientée objet dans R, adapté par rapport aux autres langages pour être soluble au paradigme prédominant dans R, à savoir la programmation fonctionnelle.
Dans R, le système de Programmation Orientée Objet S3 est structuré par :
- des fonction génériques qui sont simplement des noms de fonctions munis d’une description abstraite en langage naturel. Par exemple
summary()est une fonction générique. Sa description abstraite est décrite par l’aide accessible via?summary. On y trouve “summaryis a generic function used to produce result summaries of the results of various model fitting functions. The function invokes particular methods which depend on the class of the first argument.”. À charge des différents concepteurs d’objets de lui donner un sens particulier conforme à cette description abstraite. - des classes d’objets qui sont simplement des étiquettes portées par l’objet et montrées à la fonction générique. Par exemple, si
objetest un objet de classetwoStepsBenchmarkdu package disaggR, il montrera une étiquette"twoStepsBenchmark"à la fonctionsummary(). Un objettibblemontrera une étiquette"tbl_df"à la fonctionsummary()("tbl_df"est le vrai nom de la classe des tibbles). - des méthodes qui écrivent explicitement le code utilisé pour une fonction dans le cas d’une classe d’objet (on peut dire qu’on implémente
summary()quand on en écrit explicitement son code pour une classe précise). Par exemplesummary()renverra verssummary.twoStepsBenchmark()pour un objet de classetwoStepsBenchmark, tandis qu’elle essayera en premier de renvoyer verssummary.tbl_df()pour un tibble. - Un héritage entre classes d’objets qui dit simplement que si une méthode n’existe pas pour une fonction générique, alors on en cherche une autre, puis une autre, et ainsi de suite. Par exemple un tibble a en fait 3 étiquettes,
c("tbl_df", "tbl", "data.frame"). On cherchera d’abordtruc.tbl_df, puistruc.tbl, puistruc.data.frame. En ce qui concerne la fonctionsummary(), on cherche d’abord une fonctionsummary.tbl_df()(qui n’existe pas), puis une fonctionsummary.tbl()(qui n’existe pas non plus), et enfin une fonctionsummary.data.frame()(qui existe ! Bingo ! C’est la méthode utilisée.).
Usuellement, un système de Programmation Orientée Objet structure le code en faisant appel à des instances d’objets sur lesquelles on appelle des méthodes. Plus spécifiquement, on a :
- Une instance d’objet, par exemple la baguette magique que j’ai en main en écrivant ces lignes.
- Une classe d’objet, par exemple celle des baguettes magiques. Toutes les instances de baguettes magiques se comportent exactement de la même manière, mais peuvent avoir différents attibuts (longueur, bois utilisé…).
- Des méthodes, à savoir les choses que l’on peut faire avec une classe d’objets. Par exemple en ce qui concerne les baguettes magiques, considérons
jeter_boule_de_feu(), etfaire_pleuvoir(). - Un héritage, à savoir que chaque classe a une classe parente dont elle étend les possibilités. Une baguette magique est un type particulier de bâton de bois. La classe des “baguettes magiques” hérite de l’ensemble des méthodes des “bâtons de bois”. On peut toujours
taper_sur_un_ennemi(),faire_un_feu_de_camp(),casser_en_deux()avec une baguette magique.
On remarque que S3 préserve un peu cette structuration générale, mais l’adapte. Les éléments de POO sont tordus pour correspondre au paradigme prédominant qui est le paradigme fonctionnel. Voici les changements notables :
- On centre sur les fonctions plutôt que les classes d’objets. Au lieu de s’attarder sur une classe puis de décrire les méthodes/fonctions que l’on peut appliquer dessus, dans S3 on fait exactement l’inverse ; on énonce un nom de fonction puis on écrit comment cette fonction s’applique sur différents objets. On a d’abord la fonction générique
faire_pleuvoir(objet). On l’implémente enfaire_pleuvoir.baguette_magique(objet)qui est la méthodefaire_pleuvoir()adaptée aux baguettes magiques. On peut ensuite implémenter égalementfaire_pleuvoir.robot_chanteur(objet)si on veut prévoir une méthodefaire_pleuvoir()adaptée aux robots chanteurs. - Il n’y a pas de notion d’instance d’objet. La notion d’instance d’objet induit une notion d’unicité et d’état interne, comme on l’a vu au chapitre précédent. Si on copiait
compteur_1danscompteur_1bis, c’était le même compteur. Il n’y a pas de système d’instance natif à S3 car le paradigme fonctionnel décourage l’existence d’états internes. Si l’on veut tout de même des instances, il faut les créer manu-militari de la même manière qu’on l’a déjà fait (c’est l’objet de l’exercice 2 de ce classeur).
S3 en pratique
Pour voir les classes d’un objet, on utilise la fonction class().
On remarque que :
- Un objet créé par
twoStepsBenchmark()hérite de la classe"twoStepsBenchmark". - Un tibble herite de la classe
"tbl_df", puis"tbl", puis"data.frame".
Une classe S3 est une étiquette apposée sur des données dont le type peut être consulté à l’aide de typeof() :
On vérifie ainsi qu’aussi bien la classe twoStepsBenchmark que celle des tibbles sont basées sur des données stockées sous forme de liste.
On peut vérifier si un objet hérite d’une classe avec la fonction inherits() :
On identifie une fonction générique S3 par le fait que son corps se limite à un UseMethod("nom_de_la_fonction").
Dans l’exemple ci-dessus, on voit que la fonction summary n’est définie par rien d’autre que :
C’est assez succinct ! Cela déclare summary comme une fonction générique, et dit d’aller chercher la bonne méthode selon la classe du premier argument (ici object).
Pour voir les méthodes proposées par une fonction générique, on utilise methods() :
Il y a un paquet de méthodes implémentées pour summary() dites-donc ! Certaines méthodes ont une étoile derrière leur nom, certaines n’ont pas d’étoile. Pour consulter le code d’une méthode sans étoile, il suffit de taper son nom.
Ces méthodes correspondent à des fonctions exportées par les packages (ou par r-base). C’est-à-dire que leur concepteur a tenu à les rendre disponibles aux utilisateurs. Elles peuvent très bien être utilisées avec leur propre nom si on ne souhaite pas passer par la générique.
Les méthodes ans étoiles derrière leur nom correspondent à des méthodes non-exportées par un package, c’est-à-dire que l’auteur du package n’a pas jugé utile de les rendre directement accessibles à l’utilisateur et privilégie l’emploi de la générique.
On peut quand même lire ces méthodes et savoir d’où elles viennent en utilisant getAnywhere().
Ici, on lit que la méthode summary.twoStepsBenchmark existe de manière interne au package disaggR et que son code est :
summary.twoStepsBenchmark <- function (object, ...) {
summary.praislm(prais(object), ...)
}Autrement dit, elle renvoie encore à une autre méthode de summary.
Note
On peut accéder à toutes les fonctions d’un package, y compris les fonctions non-exportées, à l’aide des triples doubles-points (:::). Par exemple, on peut accéder à summary.twoStepsBenchmark en écrivant :
Bien sûr, inutile de vous prévenir que ce n’est pas une bonne pratique dans du code de production. R est très permissif, mais c’est à l’utilisateur de se discipliner. Si l’auteur d’un package a choisi de ne pas dire à l’utilisateur “tu peux utiliser cette fonction directement”, c’est à nos risques et périls si on le fait quand même !
On peut également utiliser methods() pour chercher toutes les méthodes associées à une classe :
Attributs
N’importe quel objet peut se voir affecter un nombre quelquonque d’autres objets nommés appelés attributs. Ceux-ci peuvent être accedés à l’aide de la fonction attributes() qui renvoie une liste nommée.
Le tibble starwars a trois attributs :
namesqui stocke les noms de colonnerow.namesqui stocke les noms de ligne, et qui correspond ici simplement à des numéros car un tibble n’a pas de noms de lignes (l’attributrow.namesest hérité des objetsdata.frame)classqui contient les classes dedplyr::starwars.
On voit donc qu’un objet classé selon le système S3 n’est rien d’autre qu’un objet avec un attribut “class”.
Les attributs peuvent être accedés et affectés de différentes manières.
Ci-dessus, avec la fonction structure(), on a créé en un coup l’objet avec ses deux attributs class et mon_attribut.
On aurait pu également les affecter un par un comme on le voit ci-dessous.
Ma première classe S3
Définir une fonction vecteur_titre() qui :
- Prend deux arguments, à savoir un vecteur
xet un argumenttitre(qui est uncharacterde taille 1). - Retourne le vecteur x, à qui on a affecté la classe
vecteur_avec_titreainsi qu’un attributtitreégal à l’argumenttitre.
TipProposition de solution
vecteur_titre <- function(x, titre) {
structure(x,
class = "vecteur_avec_titre",
titre = titre)
}Essayer ce constructeur sur vecteur_titre(1:10, "Les 10 premiers entiers") dont les attributs retournés par attributes doivent logiquement correspondre à :
$class
[1] "vecteur_avec_titre"
$titre
[1] "Les 10 premiers entiers"
TipProposition de solution
vecteur_titre <- function(x, titre) {
structure(x,
class = "vecteur_avec_titre",
titre = titre)
}
mon_vecteur <- vecteur_titre(1:10, "Les 10 premiers entiers")
attributes(mon_vecteur)$class
[1] "vecteur_avec_titre"
$titre
[1] "Les 10 premiers entiers"Après avoir saisi mon_vecteur <- vecteur_titre(1:10, "Les 10 premiers entiers")… Si je tape mon_vecteur dans R (ou dans la console si je suis sous RStudio), c’est très moche ! Je lis en effet :
[1] 1 2 3 4 5 6 7 8 9 10
attr(,"class")
[1] "vecteur_avec_titre"
attr(,"titre")
[1] "Les 10 premiers entiers"La fonction qui est utilisée pour afficher un objet S3 lors de la saisie de celui-ci est la fonction print(). Vérifier que print() correspond à une fonction générique et afficher les méthodes associées.
TipProposition de solution
Il suffit de taper :
printfunction (x, ...)
UseMethod("print")
<bytecode: 0x55c5ca4fe5a8>
<environment: namespace:base>pour vérifier que la fonction print est bien générique (elle utilise UseMethod("print")).
On peut en afficher les méthodes en tapant :
methods(print) [1] print.acf*
[2] print.activeConcordance*
[3] print.AES*
[4] print.anova*
[5] print.aov*
[6] print.aovlist*
[7] print.ar*
[8] print.Arima*
[9] print.arima0*
[10] print.AsIs
[11] print.aspell*
[12] print.aspell_inspect_context*
[13] print.bibentry*
[14] print.Bibtex*
[15] print.browseVignettes*
[16] print.by
[17] print.changedFiles*
[18] print.check_bogus_return*
[19] print.check_code_usage_in_package*
[20] print.check_compiled_code*
[21] print.check_demo_index*
[22] print.check_depdef*
[23] print.check_details*
[24] print.check_details_changes*
[25] print.check_doi_db*
[26] print.check_dotInternal*
[27] print.check_make_vars*
[28] print.check_nonAPI_calls*
[29] print.check_package_code_assign_to_globalenv*
[30] print.check_package_code_attach*
[31] print.check_package_code_data_into_globalenv*
[32] print.check_package_code_startup_functions*
[33] print.check_package_code_syntax*
[34] print.check_package_code_unload_functions*
[35] print.check_package_compact_datasets*
[36] print.check_package_CRAN_incoming*
[37] print.check_package_datalist*
[38] print.check_package_datasets*
[39] print.check_package_depends*
[40] print.check_package_description*
[41] print.check_package_description_encoding*
[42] print.check_package_license*
[43] print.check_packages_in_dir*
[44] print.check_packages_used*
[45] print.check_po_files*
[46] print.check_pragmas*
[47] print.check_Rd_line_widths*
[48] print.check_Rd_metadata*
[49] print.check_Rd_xrefs*
[50] print.check_RegSym_calls*
[51] print.check_S3_methods_needing_delayed_registration*
[52] print.check_so_symbols*
[53] print.check_T_and_F*
[54] print.check_url_db*
[55] print.check_vignette_index*
[56] print.checkDocFiles*
[57] print.checkDocStyle*
[58] print.checkFF*
[59] print.checkRd*
[60] print.checkRdContents*
[61] print.checkReplaceFuns*
[62] print.checkS3methods*
[63] print.checkTnF*
[64] print.checkVignettes*
[65] print.citation*
[66] print.cli_ansi_html_style*
[67] print.cli_ansi_string*
[68] print.cli_ansi_style*
[69] print.cli_boxx*
[70] print.cli_diff_chr*
[71] print.cli_doc*
[72] print.cli_progress_demo*
[73] print.cli_rule*
[74] print.cli_sitrep*
[75] print.cli_spark*
[76] print.cli_spinner*
[77] print.cli_tree*
[78] print.codoc*
[79] print.codocClasses*
[80] print.codocData*
[81] print.colorConverter*
[82] print.compactPDF*
[83] print.condition
[84] print.connection
[85] print.CRAN_package_reverse_dependencies_and_views*
[86] print.data.frame
[87] print.Date
[88] print.default
[89] print.dendrogram*
[90] print.density*
[91] print.difftime
[92] print.dist*
[93] print.Dlist
[94] print.DLLInfo
[95] print.DLLInfoList
[96] print.DLLRegisteredRoutines
[97] print.dummy_coef*
[98] print.dummy_coef_list*
[99] print.ecdf*
[100] print.eigen
[101] print.evaluate_evaluation*
[102] print.factanal*
[103] print.factor
[104] print.family*
[105] print.fileSnapshot*
[106] print.findLineNumResult*
[107] print.formula*
[108] print.ftable*
[109] print.function
[110] print.getAnywhere*
[111] print.glm*
[112] print.hashtab*
[113] print.hclust*
[114] print.help_files_with_topic*
[115] print.hexmode
[116] print.HoltWinters*
[117] print.hsearch*
[118] print.hsearch_db*
[119] print.htest*
[120] print.html*
[121] print.html_dependency*
[122] print.htmltools.selector*
[123] print.htmltools.selector.list*
[124] print.infl*
[125] print.integrate*
[126] print.isoreg*
[127] print.json*
[128] print.key_missing*
[129] print.kmeans*
[130] print.knitr_kable*
[131] print.Latex*
[132] print.LaTeX*
[133] print.libraryIQR
[134] print.listof
[135] print.lm*
[136] print.loadings*
[137] print.loess*
[138] print.logLik*
[139] print.ls_str*
[140] print.medpolish*
[141] print.MethodsFunction*
[142] print.mtable*
[143] print.NativeRoutineList
[144] print.news_db*
[145] print.nls*
[146] print.noquote
[147] print.numeric_version
[148] print.object_size*
[149] print.octmode
[150] print.packageDescription*
[151] print.packageInfo
[152] print.packageIQR*
[153] print.packageStatus*
[154] print.paged_df*
[155] print.pairwise.htest*
[156] print.person*
[157] print.POSIXct
[158] print.POSIXlt
[159] print.power.htest*
[160] print.ppr*
[161] print.prcomp*
[162] print.princomp*
[163] print.proc_time
[164] print.quosure*
[165] print.quosures*
[166] print.raster*
[167] print.Rconcordance*
[168] print.Rd*
[169] print.recordedplot*
[170] print.restart
[171] print.RGBcolorConverter*
[172] print.RGlyphFont*
[173] print.rlang_box_done*
[174] print.rlang_box_splice*
[175] print.rlang_data_pronoun*
[176] print.rlang_dict*
[177] print.rlang_dyn_array*
[178] print.rlang_envs*
[179] print.rlang_error*
[180] print.rlang_fake_data_pronoun*
[181] print.rlang_lambda_function*
[182] print.rlang_message*
[183] print.rlang_trace*
[184] print.rlang_warning*
[185] print.rlang_zap*
[186] print.rlang:::list_of_conditions*
[187] print.rle
[188] print.rlib_bytes*
[189] print.rlib_error_3_0*
[190] print.rlib_trace_3_0*
[191] print.roman*
[192] print.scalar*
[193] print.sessionInfo*
[194] print.shiny.tag*
[195] print.shiny.tag.env*
[196] print.shiny.tag.list*
[197] print.shiny.tag.query*
[198] print.simple.list
[199] print.smooth.spline*
[200] print.socket*
[201] print.srcfile
[202] print.srcref
[203] print.stepfun*
[204] print.stl*
[205] print.StructTS*
[206] print.subdir_tests*
[207] print.summarize_CRAN_check_status*
[208] print.summary.aov*
[209] print.summary.aovlist*
[210] print.summary.ecdf*
[211] print.summary.glm*
[212] print.summary.lm*
[213] print.summary.loess*
[214] print.summary.manova*
[215] print.summary.nls*
[216] print.summary.packageStatus*
[217] print.summary.ppr*
[218] print.summary.prcomp*
[219] print.summary.princomp*
[220] print.summary.table
[221] print.summary.warnings
[222] print.summaryDefault
[223] print.table
[224] print.tables_aov*
[225] print.terms*
[226] print.ts*
[227] print.tskernel*
[228] print.TukeyHSD*
[229] print.tukeyline*
[230] print.tukeysmooth*
[231] print.undoc*
[232] print.vignette*
[233] print.warnings
[234] print.xfun_md_viewable*
[235] print.xfun_raw_string*
[236] print.xfun_record_results*
[237] print.xfun_rename_seq*
[238] print.xfun_strict_list*
[239] print.xgettext*
[240] print.xngettext*
[241] print.xtabs*
see '?methods' for accessing help and source codeEt il y en a beaucoup ! C’est normal, tous les objets veulent définir une manière de s’afficher.
Définir une fonction print.vecteur_avec_titre qui vaut :
print.vecteur_avec_titre <- function(x, ...) { # Les paramètres doivent être compatibles avec ceux de la fonction générique, d'où les ...
cat(attr(x, "titre"), ":\n") # \n correspond à un saut de ligne
cat(as.vector(x))
# cat est une fonction qui permet d'écrire dans la console
}Puis taper mon_vecteur pour vérifier ce qu’il se passe.
TipProposition de solution
print.vecteur_avec_titre <- function(x, ...) { # Les paramètres doivent être compatibles avec ceux de la fonction générique, d'où les ...
cat(attr(x, "titre"), ":\n") # \n correspond à un saut de ligne
cat(as.vector(x))
# cat est une fonction qui permet d'écrire dans la console
}
mon_vecteurLes 10 premiers entiers :
1 2 3 4 5 6 7 8 9 10On a implémenté la fonction générique print() par une *méthode* adaptée à la *classe*“vecteur_avec_titre”`. Dorénavant, l’affichage est plus propre.
On a donc créé notre propre méthode S3 à une fonction générique pré-existante. On veut aller plus loin et créer notre propre fonction générique. On veut :
- une fonction générique
get_titrequi n’ait que pour argumentx. - Elle doit avoir une méthode
get_titre.vecteur_avec_titrequi retourne le titre. - Elle doit avoir une méthode
get_titre.tbl_dfqui lancestop("Un tibble n'a pas de titre !").
Tester ensuite cette fonction par get_titre(mon_vecteur) et get_titre(dplyr::starwars).
TipProposition de solution
get_titre <- function(x) UseMethod("get_titre")
get_titre.vecteur_avec_titre <- function(x) attr(x, "titre")
get_titre.tbl_df <- function(x) stop("Un tibble n'a pas de titre !")
get_titre(mon_vecteur)[1] "Les 10 premiers entiers"get_titre(dplyr::starwars)Error in get_titre.tbl_df(dplyr::starwars): Un tibble n'a pas de titre !On a donc ici créé une fonction générique, et on l’a implémenté par deux méthodes. Une pour vecteur_avec_titre, et une autre plus succinte pour les tibble, qui dirige vers une erreur.
Exercices
Exercice 1
Utiliser la fonction attributes() pour retourner les attributs d’un vecteur c(arnaud=1, bonjour=2). Comment sont stockés les noms dans un vecteur nommé ?
TipProposition de solution
attributes(c(arnaud=1, bonjour=2))$names
[1] "arnaud" "bonjour"On voit qu’un vecteur nommé n’est rien de plus qu’un vecteur avec un attribut names.
Soit la matrice définie par :
matrice <- matrix(1L:12L, nrow = 3L, ncol = 4L)
colnames(matrice) <- c("les", "noms", "de", "colonnes")
rownames(matrice) <- c("voilà", "des", "lignes")Utiliser la fonction typeof() pour voir le type des données d’une matrice. Utiliser la fonction attributes() pour retourner les attributs de cette matrice. Comment sont stockées les dimensions dans une matrice ? Comment sont stockés les noms de colonnes et de dans une matrice ? Y a-t-il un attribut class dans une matrice ? Est-ce que pour autant inherits(matrice, "matrix") renvoie FALSE ?
TipProposition de solution
matrice <- matrix(1L:12L, nrow = 3L, ncol = 4L)
typeof(matrice)[1] "integer"colnames(matrice) <- c("les", "noms", "de", "colonnes")
rownames(matrice) <- c("voilà", "des", "lignes")
attributes(matrice)$dim
[1] 3 4
$dimnames
$dimnames[[1]]
[1] "voilà" "des" "lignes"
$dimnames[[2]]
[1] "les" "noms" "de" "colonnes"On voit que :
- Une matrice n’est rien d’autre qu’un vecteur (ici un vecteur de type
"integer") - Les dimensions sont stockées sous la forme d’un attribut
dimqui vautc(nrow, ncol) - Les noms sont stockés sous la forme d’un attribut
dimnames. Une liste de longueur 2 qui vautlist(noms_lignes, noms_colonnes). - De manière malheureusmement irrégulière et pour des raisons historiques, les matrices n’ont pas d’attribut class renseigné. La classe est implicite par la présence d’un attribut
dim. On pourra par cependant vérifier queinherits(matrice, "matrix")vautTRUE, de même queis.matrix(matrice). Si les matrices étaient reconstruites aujourd’hui, sans doute qu’elles auraient un attributclasscomme tout le monde.
On voit qu’il suffit de renseigner un attribut dim à un vecteur pour définir une matrice. À l’aide de la fonction structure(), définir un vecteur m de valeur 1:12 muni d’un attribut dim qui signale une dimension de 3*4. Vérifier avec inherits(m, "matrix") et is.matrix(m) que le vecteur est bien pleinement reconnu comme une matrice.
TipProposition de solution
m <- structure(1:12, dim = c(3, 4))
inherits(m, "matrix")[1] TRUEis.matrix(m)[1] TRUEOn a vérifié qu’il suffit de définir un attribut de dimension pour dire qu’un vecteur est une matrice. Une matrice n’est rien de plus qu’un vecteur auquel on a rajouté une dimension.
Exercice 2 : Simuler des instances
Dans le chapitre sur l’évaluation, on était parvenu à ce compteur :
nouveau_compteur <-
function() {
n <- 0L
this <-
list(
suivant = function() {
n <<- n + 1L
this
},
get = function() {
n
}
)
this
}
compteur_1 <- nouveau_compteur()
compteur_2 <- nouveau_compteur()
compteur_1$
suivant()$
suivant()$
suivant()
compteur_1$get()
compteur_2$get()
compteur_1$suivant()
compteur_2$suivant()
compteur_1$get()
compteur_2$get()On demande dans cette exercice de :
- Modifier le code de la fonction
nouveau_compteur()pour que la liste qu’elle renvoie soit de classe “super_compteur”. - Implémenter une méthode de la fonction générique
print()qui afficheSuper Compteur : [i]\nsi le compteur en est à[i](on rappelle que\nest une manière d’indiquer un saut de ligne).
TipProposition de solution
nouveau_compteur <-
function() {
n <- 0L
this <-
list(
suivant = function() {
n <<- n + 1L
this
},
get = function() {
n
}
)
class(this) <- "super_compteur"
this
}
print.super_compteur <- function(x, ...) {
cat("Super Compteur : ", x$get(), "\n", sep = "")
}
compteur_1 <- nouveau_compteur()
compteur_2 <- nouveau_compteur()
compteur_1$
suivant()$
suivant()$
suivant()Super Compteur : 3compteur_1$get()[1] 3compteur_2$get()[1] 0compteur_1$suivant()Super Compteur : 4compteur_2$suivant()Super Compteur : 1compteur_1$get()[1] 4compteur_2$get()[1] 1On a maintenant un objet S3 qui se comporte avec des instances, comme en Programmation Orientée Objet classique.