如果您在 purrr 中使用的唯一功能是map()，那么不，优势并不显着。正如 Rich Pauloo
所指出的，它的主要优点map()是帮助程序，它允许您为常见的特殊情况编写紧凑的代码：

• ~ . + 1相当于function(x) x + 1（\(x) x + 1在 R-4.1 和更新版本中）

• list("x", 1)相当于function(x) x[["x"]][[1]]。这些帮助器比[[- 更多信息请参阅?pluck。对于数据矩形，该 .default参数特别有用。

但是大多数时候你不是在使用单个*apply()/map() 函数，而是在使用一堆，而 purrr 的优点是函数之间的一致性更高。例如：

• 第一个参数lapply()是数据；第一个参数 mapply()是函数。所有地图函数的第一个参数始终是数据。

• 使用vapply(), sapply(),mapply()您可以选择使用USE.NAMES = FALSE;隐藏输出中的名称。但 lapply()没有那个论点。

• 没有一致的方法可以将一致的参数传递给映射器函数。大多数函数使用...but mapply()uses MoreArgs（您希望被称为MORE.ARGS）和 Map(),Filter()并Reduce()希望您创建一个新的匿名函数。在 map 函数中，常量参数总是在函数名之后。

• 几乎每个 purrr 函数都是类型稳定的：您可以仅根据函数名称预测输出类型。sapply()对于or来说，这不是真的 mapply()。是的，有vapply()；但mapply().

您可能认为所有这些细微的区别并不重要（就像有些人认为 stringr 与基本 R
正则表达式相比没有优势），但根据我的经验，它们在编程时会引起不必要的摩擦（不同的参数顺序总是会绊倒我起来了），而且它们使函数式编程技术更难学习，因为除了伟大的想法之外，你还必须学习一些附带的细节。

Purrr 还填充了一些基本 R 中没有的方便的地图变体：

• modify()``[[<-保留用于“就地”修改的数据类型。结合_if变体，这允许（IMO 美丽的）代码，如modify_if(df, is.factor, as.character)

• map2()允许您同时映射到x和y。这使得表达想法变得更容易，比如 map2(models, datasets, predict)

• imap()允许您同时映射x及其索引（名称或位置）。这使得（例如）加载 csv目录中的所有文件变得容易，为每个文件添加一filename列。

  dir("\\.csv$") %>%
  

  set_names() %>%
  map(read.csv) %>%
  imap(~ transform(.x, filename = .y))

• walk()不可见地返回其输入；并且在您调用函数以获取其副作用（即，将文件写入磁盘）时很有用。

更不用说像safely()and之类的其他助手了partial()。

就个人而言，我发现当我使用 purrr
时，我可以更轻松地编写函数式代码；它缩小了构思和实施之间的差距。但是您的里程可能会有所不同；除非确实对您有所帮助，否则无需使用 purrr。

微基准

是的，map()比lapply(). 但是使用
map()or的成本lapply()取决于您所映射的内容，而不是执行循环的开销。下面的微基准表明，与每个元素map()相比的成本lapply()约为
40 ns，这似乎不太可能对大多数 R 代码产生重大影响。

library(purrr)
n <- 1e4
x <- 1:n
f <- function(x) NULL

mb <- microbenchmark::microbenchmark(
  lapply = lapply(x, f),
  map = map(x, f)
)
summary(mb, unit = "ns")$median / n
#> [1] 490.343 546.880