本书的摘要及注记

本书很短，100页的篇幅。作者开宗明义指出内容是介绍性的R中的函数与R中函数式编程。

第一章介绍了R中函数的最常见内容，对R有一定使用经验的，掌握R函数里面参数设置、延迟匀速、向量化等特点外，还给出了现有对象更新其中部分内容的主题，这点值得关注，是一个比较影响运行效率的特征。

第二章直接点出了（纯）函数式编程的一个大基本特点：递归。递归可以替代循环，而且使得函数编写过程更加的“数学化“，更容易理解。对使用者而言，能用就好了；开始可能还不太习惯，多用几次也就熟练了。

第三章是R语言为了支持函数式，以及其他一些更多的特点，比如为了运行速度等方面的一些特殊设计。作为R的用户，有所了解即可，日常不太可能用得上，除非要自己动手写基础性的pkg。

第四章介绍高阶函数。这个是函数式编程的特点：函数也是基础性要素了。高阶函数就是其输入参数或输出结果都是函数的那一类函数。对应于数学上的概念，大致上就是泛函分析里的算子了。R基础包就自带了lapply、sapply等一系列的高阶函数，而高阶函数的curry化等内容，参数绑定、解决（深度）递归效率问题的两种技术也都有提及。还是那句话，若仅使用，不用掌握，了解即可。

第五章介绍了Filter、Map和Reduce，对应的就是函数式编程中的筛选、循环、（累加）递归。在实际用的过程中，可以极大简化代码编写方式。其实在类似C++这类语言中，也有等价物或等价实现形式，只是没R这类支持的这么好使用起来很便捷。本章最后一节介绍了purrr包，平时用到的函数式编程的功能都汇集起来了，使得具体干活的时候，非常快，代码易读不易错。（具体用来做data science的， R for Data Science一书一定要反复读，这书有网站，可以直接看）

第六章使用所谓的point-free来介绍函数组合，这个也是函数式编程的鲜明特色，在实际数据处理和建模的时候会相当好用。用运算符（%.%, %>%等符号在不同的包中不太一样，具体用的时候自行选用）把各个函数“拼装”起来，解决问题很方便，尤其是在交互环境的时候，有一种自然语言表达的流畅感。简单来说可以理解为把 f(g(h(x))) 写成 x %>% h %>% g %>% f 的形式，再结合R中那个省略号...表示的可选参数，功能好用到开心。结合第五章的筛选，循环，累计功能，拼接到一起，可以很简短的语句完成传统方式很复杂的写法，比如：

dir('data_file_path') %>% map ( read_xlsx) %>% filter(cond) %>% reduce(rbind) %>% write_xlsx（‘result.xlsx’）

这其实就是把某一文件目录下的数据文件逐一读取，选取所需的部分，将符合条件的部分合并，最后将结果符合条件的汇总结果写到文件中。一个for循环都没有，一行代码几个函数式编程里面的常用高阶函数，就解决问题了。

如果R for Data Science中基本上是按照这种方式来给例子，建议想要提升撸代码效率的小伙伴好好的理解功能，理解几个关键功能的逻辑，多用两次，必然会极大的提升工作效率。