R包未加载“导入”包

我正在开发一个包，它的功能依赖于许多其他包中的

dplyr

。正如H.Wickham在他的R软件包书中所建议的那样，我将所有必要的软件包都包含在

导入

的

描述

文件中

Imports:
  apaTables,
  data.table,
  dplyr,
  magrittr,
  plyr,
  rlang,
  sjstats,
  stats

然后在函数体中使用

namespace

（这里不需要函数的细节；我想强调的是，我使用的是Hadley在其书中推荐的

packagename:：fun（）

格式）：

我做错了什么

如果你需要更多的细节， GitHub存储库： 有关职能：

---

描述文件：

总结结束时，这里有几个问题：

• 使用

  packagename:：fun（）

  是一个不错的选择，但对操作员来说效果不好。尤其是对于管道（

  %%>%%

  ），使用例如函数来代替会破坏它的用途

• @importFrom

  标记优于

  @import

  ，因为这更为狭窄和明确。调用

  roxygen2:：roxygenize（）

  时，这两项都会影响命名空间文件。但是请注意，roxygen不会干扰用户定义的命名空间文件，因为通常情况下，人们宁愿自己手动处理（例如，当包提供S3类和/或方法时），然后需要撤消roxygen的覆盖。删除现有名称空间文件将允许roxygen重新创建它。Roxygen通常会在名称空间文件中添加一行，以识别是否应更新该文件：
  #由roxygen2生成：请勿手动编辑

• 描述文件中的依赖项既没有被roxygen修改，也没有被roxygen添加到名称空间中（请注意，这将导致完整的包导入，我们宁愿通过

  @importFrom

  来避免）。需要手动处理描述文件，确保导入：部分涵盖通过命名空间使用的所有包，即通过

  @import

  和

  @importFrom

  ，以及通过

  packagename:：fun（）

---

您没有导入管道操作符

%%>%

。我建议为这个特定的应用程序添加@importFrom标记case@RolandASc将

magrittr

添加到

Description

文件中的

Imports

，不应该自动解决这个问题吗？无论如何，我确实向函数添加了

#'@importFrom magrittr%>%

调用，但仍然得到相同的错误。只有在调用

库（dplyr）

时，错误才会消失，但对于包中的R脚本中的函数来说，这是一个很大的禁忌。所以我不确定该怎么做才能消除这个错误。Roxygen与描述文件没有太多交互。要将导入导入到名称空间中，需要将它们放在标记中的某个位置。添加“导入自”后是否重新运行了“roxygenize（）”？请注意，“dplyr”中也存在管道，因此，如果这是您从“magrittr”中想要的，您甚至可以丢弃该包装，嗯，我不知道！好的，现在发生的事情如下：如果我在

Rstudio

和

roxygenize（）

中打开有问题的R包项目，该函数就会工作。但是，如果我退出并重新进入项目，然后使用包中的函数而不首先运行

roxygenize（）

，则会再次出现相同的错误。我猜我缺少了一些关于

roxygen2

应该如何在包环境中运行的关键功能。结果证明这就是问题所在：默认情况下创建的命名空间文件不包含由

roxygen2

创建的任何内容，需要删除并重新创建。不知道为什么会这样，但当我这样做的时候，事情又开始起作用了。

#'
#' @title Confidence intervals for Partial Eta Squared
#' @name partialeta_sq_ci
#' @author Indrajeet Patil
#'
#' @param lm_object stats::lm linear model object
#' @param conf.level Level of confidence for the confidence interval
#' @importFrom magrittr %>%
#' @export

partialeta_sq_ci <- function(lm_object, conf.level = 0.95) {
  # get the linear model object and turn it into a matrix and turn row names into a variable called "effect"
  # compute partial eta-squared for each effect
  # add additional columns containing data and formula that was used to create these effects

  x <-
    dplyr::left_join(
      # details from the anova results
      x = data.table::setDT(x = as.data.frame(as.matrix(
        stats::anova(object = lm_object)
      )),
      keep.rownames = "effect"),
      # other information about the results (data and formula used, etc.)
      y = data.table::setDT(x = as.data.frame(
        cbind(
          "effsize" = sjstats::eta_sq(
            model = stats::anova(object = lm_object),
            partial = TRUE
          ),
          "data" = as.character(lm_object$call[3]),
          "formula" = as.character(lm_object$call[2])
        )
      ),
      keep.rownames = "effect"),
      # merge the two preceding pieces of information by the common element of Effect
      by = "effect"
    )
  # create a new column for residual degrees of freedom
  x$df2 <- x$Df[x$effect == "Residuals"]
  # remove sum of squares columns since they will not be useful
  x <-
    x %>%
    dplyr::select(.data = .,
                  -c(base::grep(pattern = "Sq", x = names(x))))
  # remove NAs, which would remove the row containing Residuals (redundant at this point)
  x <- na.omit(x)
  # rename to something more meaningful and tidy
  x <- plyr::rename(x = x,
                    replace = c("Df" = "df1",
                                "F value" = "F.value"))
  # rearrange the columns
  x <-
    x[, c("F.value",
          "df1",
          "df2",
          "effect",
          "effsize",
          "Pr(>F)",
          "data",
          "formula")]
  # convert the effect into a factor
  x$effect <- as.factor(x$effect)
  # for each type of effect, compute partial eta-squared confidence intervals, which would return a list
  ci_df <-
    plyr::dlply(
      .data = x,
      .variables = .(effect),
      .fun = function(data)
        apaTables::get.ci.partial.eta.squared(
          F.value = data$F.value,
          df1 = data$df1,
          df2 = data$df2,
          conf.level = conf.level
        )
    )
  # get elements from the effect size confidence intervals list into a neat dataframe
  ci_df <-
    plyr::ldply(
      .data = ci_df,
      .fun = function(x)
        cbind("LL" = x[[1]],
              "UL" = x[[2]])
    )
  # merge the dataframe containing effect sizes with the dataframe containing rest of the information
  effsize_ci <- base::merge(x = x,
                            y = ci_df,
                            by = "effect")
  # returning the final dataframe
  return(effsize_ci)

}

Error in x %>% dplyr::select(.data = ., -c(base::grep(pattern = "Sq",  : 
  could not find function "%>%"