关于Python、R、VBA、SAS的生成批量变量名与动态变量引用的问题

1. 什么是动态变量？

i=1
x&i=3

x&i就是动态变量。

如果x&i按照我们所想的一样，那么上述程序的结果应该是得到了一个变量x1=3

上述程序在VBA中可直接实现。

动态变量可以用于批量变量迭代，这是动态变量最重要的意义。如：

for(i in 1:100）{
x&i=i
}

这是时候我们快速地生成了x1：x100这100个变量，并进行了赋值。如果x&i的作用按照我们想的一样实现了的话，那么上述程序应该生成了x1=1,x2=x,x3=3...x100=100

所以问题的核心就是x&i的实现，核心的核心就是&的含义。

在SAS中，我记得连接需要加一个英文句号：

x&.i=3

在VBA中，可直接用

x&i=3

然而在R与Python要复杂得多。

2. Python动态变量(dynamic variable)

有一篇写的很好的博客，参见Python动态变量名定义与调用

字典方法

字典方法是Stack Overflow社区最推崇的方法，但是它不能适用于对复杂变量进行进一步的操作。它不能解决字典的value对变量名的引用。

d={}
for i in range(5):
    d['x'+str(i)]=i

那么现在我们把问题复杂化一点，假设我已经有了x1-x4这么几个变量，他们都是列表。我想只留下非0的值，那么理想的伪代码如下：

x1=np.array([1,2,3,0])
x2=np.array([5,6,0,8])
x3=np.array([3,5,0,0])
x4=np.array([3,45,2,1])
for i in range(1,5):
    xi=xi[xi!=0]

那么字典方法应该怎么做呢？首先应该将变量全部写到字典里面去，，，然后发现首先这一步就没法做，它不能解决字典的value对变量名的引用，就是在值里面无法引用动态变量。

你打算这么做吗？

d['x'+str(i)]='x'+str(i)

 可是右边只返回了一个字符串，不指代xi。

命名空间法

Python中有三个函数是变量字典：locals(),globals, vars()。

他们之间的区别参见：What's the difference between globals(), locals(), and vars()?

一般使用locals,他会返回当前存在的变量，返回格式是一个字典。也就是说，如果我们先定义x1=2，那么在locals字典中就已经记录了下来，使用

loacals()['x1']

就可以引用变量x1了，这就是一个普通字典格式，dict['key']=value。

好我们继续上面的问题，现在就可以很方便地解决了

x1=np.array([1,2,3,0])
x2=np.array([5,6,0,8])
x3=np.array([3,5,0,0])
x4=np.array([3,45,2,1])
for i in range(1,5):
    locals()['x'+str(i)]=locals()['x'+str(i)][locals()['x'+str(i)]!=0]

 

print(x1,x2,x3,x4)

[1 2 3] [5 6 8] [3 5] [ 3 45  2  1]

 exec

在Python中同样有三个函数可以编译执行字符串语句：exec，eval，compile，详细地讲解参见

python中的exec()、eval()以及complie()

What's the difference between eval, exec, and compile?

• exec，动态执行python代码，返回值永远为None，能够同时解析字符串和python语句，这使得exec能够用于动态变量生成
• eval，只支持单个表达式，不支持赋值，返回单个表达式执行的结果。

eval('1+2')#返回3
exec('1+2')#无返回值

 exec可同时解析字符串和python语句，但exec的输入必须全是字符串格式。下面的语句定义了x1=2：

exec('x'+str(1)+'='+str(2))#全是字符串，以+连接

虽然stack overflow上面最推崇字典法，而认为命名空间法不是一个很好的办法，因为他改变了全局变量，比如如果你之前有某个变量定义为x23，你在动态变量里面改变了x23的赋值，你可能没有注意到这一点，这可能会造成意料之外的错误。但是我认为，命名空间法非常的便捷，并且很多复杂的数据结构的时候，命名空间法师唯一可行的方法。

3. R中动态变量的引用

我最爱的R在这里确实最复杂的，&在R中是逻辑运算“和”，并不表示连接。

一般有五种方法能够实现变量批量命名：

• 对list使用setName

my_power_list=setNames( as.list( 1:5), paste0("x", 1:5) )

效果是这样的：

这实际上用了一个列名重命名技术而已。而且只在列表中，效果很有限。

• list2env转换全局变量

x =as.list(rnorm(100))
names(x) = paste("a", 1:100, sep = "")#列表重命名
list2env(x , envir = .GlobalEnv)#将列表变量转换为全局变量

• eval(paste)解析法

vals <- rnorm(3)
n    <- length(vals)
lhs  <- paste("a",    1:n,     sep="")
rhs  <- paste("vals[",1:n,"]", sep="")
eq   <- paste(paste(lhs, rhs, sep="<-"), collapse=";")
eval(parse(text=eq))

其本质是生成了一段文本，然后用parse去解析，在用eval进行符号运算。

上面的三种并不是很常用，我比较喜欢下面两种：

• assign(paste)

assign(paste0("x", 1:100), 1:100)

这一次性生成了100个变量：xi=i。

上面已经讲到，动态变量最重要的意义是能够利用迭代对变量进行批量运算。很遗憾，仅仅凭借上面的函数是无法实现迭代的。我们需要另外一个函数：get（）。get函数和assign是一对，assign给字符赋值，get获得字符的值。

现在看一个实例。假定有一个数据集d是100行30列的，也就是说有30个变量，现在用bootstrap收集它的系数。进行100次随机抽样，每一次抽样用第一列数据对其他列进行线性回归，这样，每一次回归都会得到一次beta0~beta29，一共30个beta（还有个截距项beta0）。进行100次抽样后再回归就得到了100个不同的beta0，把这些beta0全部追加到变量beta0中。然后进行统计量的估计。也就是说，最后我们的结果是：。

d=matrix(rnorm(100*30),100,30)
d=data.frame(d)
cs=paste0('beta',1:30)
for(k in 1:30){
  assign(cs[k],c())
}#要追加必给初值
for(j in 1:100){
  i=sample(1:100,80,replace = F)
  d1=d[i,]
  model=lm(X1~.,data=d1)
  for(k in 1:30){
    assign(cs[k],c(get(cs[k]),coef(model)[k]))
  }
}

如果不进行动态变量引用，那么我们程序可能是这样滴：

d=matrix(rnorm(100*30),100,30)
d=data.frame(d)
beta0=c()
beta1=c()
beta2=c()
beta3=c()
beta4=c()
beta5=c()
beta6=c()
beta7=c()
...
beta30=c()
for(j in 1:100){
  i=sample(1:100,80,replace = F)
  d1=d[i,]
  model=lm(X1~.,data=d1)
  beta0=c(beta0,coef(model)[1])
  beta1=c(beta1,coef(model)[2])
  beta2=c(beta2,coef(model)[3])
  beta3=c(beta3,coef(model)[4])
  beta4=c(beta4,coef(model)[5])
  beta5=c(beta5,coef(model)[6])
  beta6=c(beta6,coef(model)[7])
  beta7=c(beta7,coef(model)[8])
  ...
  beta30=...
}

现在你知道了动态引用的重要意义了吧，没错，几十倍地精简代码！对变量进行批量迭代！

再看最后一种方法。

• globalen进行动态引用

这种方法其实是最符合x&i定义的一种方法。

e=globalenv()
name=paste0('x',1:5)
e[[name[1]]]=3

似乎有点像Python的locals，但是注意：

1. 必须使用一个变量指代globalen(),即，而Python中可以直接使用locals()
2. 必须有一个变量，里面包含了要全局化的变量名，这和assign（paste）也一样，也需要有全部的变量名
3. e后面必须是双括号

使用这种方法进行bootstrap：

e=globalenv()
cs=paste0('beta',1:30)
for(k in 1:30){
  assign(cs[k],c())
}

for(j in 1:100){
  i=sample(1:100,80,replace = F)
  d1=d[i,]
  model=lm(X1~.,data=d1)
  for(k in 1:30){
    e[[cs[k]]]=c(e[[cs[k]]],coef(model)[k])
  }
}