Rでは、何らかの方法でオブジェクト指向プログラミングを行うことができます。ただし、たとえばPythonとは異なり、オブジェクト指向を実現する方法はたくさんあります。
私の質問は：
Rでのオブジェクト指向プログラミングのこれらの方法を区別する主な違いは何ですか？
理想的には、ここでの回答は、どのOOプログラミング方法が彼らのニーズに最も適しているかを決定しようとするRプログラマーのための参照として役立つでしょう。
そのため、私は詳細を求め、経験に基づいて客観的に提示し、事実と参照に裏打ちされています。これらの方法が標準のOOプラクティスにどのようにマッピングされるかを明確にするためのボーナスポイント。
回答:
S3クラス
print呼び出しprint.lm print.anovaなど。見つからない場合は、print.defaultS4クラス
参照クラス
プロト
R6クラス
library("fortunes"); fortune("strait")
2012年3月8日に編集：以下の回答は、最初に投稿された質問の一部に対応していますが、その後削除されました。私の答えのコンテキストを提供するために、以下にコピーしました。
さまざまなOOメソッドは、JavaやPythonなどで使用されるより標準的なOOメソッドにどのようにマッピングされますか？
私の貢献は、RのOOメソッドがより標準的なOOメソッドにどのようにマッピングされるかについての2番目の質問に関連しています。過去にこれについて考えたように、私は何度も何度も2つのパッセージに戻りました。1つはフリードリッヒ・ライシュによるもので、もう1つはジョン・チェンバースによるものです。どちらも、RでのOOのようなプログラミングが他の多くの言語とは異なるフレーバーを持っている理由を明確に表現しています。
まず、「Rパッケージの作成：チュートリアル」（警告：PDF）のFriedrich Leisch ：
Sはインタラクティブであり、オブジェクト指向のシステムを備えているため、まれです。クラスの設計は明らかにプログラミングですが、Sをインタラクティブなデータ分析環境として役立つようにするためには、関数型言語であることは理にかなっています。C ++やJavaクラスなどの「実際の」オブジェクト指向プログラミング（OOP）言語では、メソッド定義は緊密にバインドされており、メソッドはクラス（したがってオブジェクト）の一部です。事前定義されたクラスのユーザー定義メソッドのような増分的でインタラクティブな追加が必要です。これらの追加は、データセットの分析中にコマンドラインプロンプトでその場で行う場合でも、いつでも行うことができます。Sは、オブジェクト指向とインタラクティブな使用の間で妥協しようとします。妥協は、達成しようとするすべての目標に関して最適ではありませんが、実際には驚くほどうまく機能することがよくあります。
もう1つの節は、JohnChambersのすばらしい本「SoftwareforDataAnalysis」からのものです。（引用された一節へのリンク）：
Sや他のいくつかの関数型言語はクラスとメソッドをサポートしていますが、OOPプログラミングモデルは最初の点を除いてすべてS言語とは異なります。OOPシステムのメソッド定義はクラスに対してローカルです。メソッドの同じ名前が、無関係のクラスの同じことを意味する必要はありません。対照的に、Rのメソッド定義はクラス定義に存在しません。概念的には、これらは汎用関数に関連付けられています。クラス定義は、直接または継承を通じて、メソッドの選択を決定する際に入力されます。OOPモデルに慣れているプログラマーは、プログラミングがRに直接転送されないことに不満を感じたり、混乱したりすることがありますが、転送することはできません。メソッドの機能的な使用はより複雑ですが、意味のある機能を持つように調整されており、OOPバージョンに還元することはできません。
S3とS4は、オブジェクト指向プログラミングの公式（つまり組み込み）アプローチのようです。S3とコンストラクター関数/メソッドに埋め込まれた関数の組み合わせを使い始めました。私の目標は、object $ method（）型の構文を使用して、セミプライベートフィールドを作成することでした。（私が知る限り）それらを実際に隠す方法がないので、私はセミプライベートと言います。これは実際には何もしない簡単な例です。
#' Constructor
EmailClass <- function(name, email) {
nc = list(
name = name,
email = email,
get = function(x) nc[[x]],
set = function(x, value) nc[[x]] <<- value,
props = list(),
history = list(),
getHistory = function() return(nc$history),
getNumMessagesSent = function() return(length(nc$history))
)
#Add a few more methods
nc$sendMail = function(to) {
cat(paste("Sending mail to", to, 'from', nc$email))
h <- nc$history
h[[(length(h)+1)]] <- list(to=to, timestamp=Sys.time())
assign('history', h, envir=nc)
}
nc$addProp = function(name, value) {
p <- nc$props
p[[name]] <- value
assign('props', p, envir=nc)
}
nc <- list2env(nc)
class(nc) <- "EmailClass"
return(nc)
}
#' Define S3 generic method for the print function.
print.EmailClass <- function(x) {
if(class(x) != "EmailClass") stop();
cat(paste(x$get("name"), "'s email address is ", x$get("email"), sep=''))
}
そしていくつかのテストコード：
test <- EmailClass(name="Jason", "jason@bryer.org")
test$addProp('hello', 'world')
test$props
test
class(test)
str(test)
test$get("name")
test$get("email")
test$set("name", "Heather")
test$get("name")
test
test$sendMail("jbryer@excelsior.edu")
test$getHistory()
test$sendMail("test@domain.edu")
test$getNumMessagesSent()
test2 <- EmailClass("Nobody", "dontemailme@nowhere.com")
test2
test2$props
test2$getHistory()
test2$sendMail('nobody@exclesior.edu')
このアプローチについて書いたブログ投稿へのリンクは次のとおりです。http：//bryer.org/2012/object-directiond-programming-in-r確信が持てないため、このアプローチに対するコメント、批判、提案を歓迎します。これが最善のアプローチである場合は自分自身。しかし、私が解決しようとしていた問題については、うまくいきました。具体的には、makeRパッケージ（http://jbryer.github.com/makeR）の場合、オブジェクトの状態を表すXMLファイルの同期を維持する必要があるため、ユーザーがデータフィールドを直接変更することを望まなかった。これは、ユーザーがドキュメントで概説したルールを順守している限り、完全に機能しました。