wrapup期间出错：计算嵌套太深：无限递归/选项（表达式=）？

我试图使用一个自定义函数kmeans\u mapper，使用centers参数迭代“k”的许多值，但得到以下错误：

Error during wrapup: evaluation nested too deeply: infinite recursion / options(expressions=)?

代码如下：

library(tidyverse)
library(tidyquant)
library(broom)
library(umap)
library(readr)
library(readxl)
library(purrr)

sp_500_prices_tbl <- read_rds("raw_data/sp_500_prices_tbl.rds")
sp_500_prices_tbl

sp_500_index_tbl <- read_rds("raw_data/sp_500_index_tbl.rds")
sp_500_index_tbl

sp_500_daily_returns_tbl <- sp_500_prices_tbl %>%
  
  select(symbol, date, adjusted) %>%
  filter(date >= as.Date("2018-01-01")) %>% 
  mutate(lag_of_one_day = lag(adjusted, 1)) %>%
  filter(!is.na(lag_of_one_day)) %>%
  mutate(diffrence = adjusted - lag_of_one_day) %>%
  mutate(pct_return = diffrence/lag_of_one_day) %>%
  select(symbol, date, pct_return)
  

sp_500_daily_returns_tbl

stock_date_matrix_tbl <- sp_500_daily_returns_tbl %>%
  
  select(symbol, date, pct_return) %>%
  pivot_wider(names_from = date, values_from = pct_return, values_fill = 0) %>%
  ungroup()
  
stock_date_matrix_tbl_drop <- stock_date_matrix_tbl

stock_date_matrix_tbl_drop$symbol <- NULL 

stock_date_matrix_tbl_drop

km_cluster <- kmeans(na.omit(stock_date_matrix_tbl_drop), centers = 4, nstart = 20)

km_cluster$cluster

broom::tidy(km_cluster) %>% glimpse()

broom::glance(km_cluster)

kmeans_mapper <- function(center = 3) {
    stock_date_matrix_tbl_drop %>%
    #select(-symbol) %>%
    #kmeans(centers = center, nstart = 20)
    kmeans(na.omit(stock_date_matrix_tbl_drop), centers = center, nstart = 20)
} %>% kmeans_mapper() %>% glance()

  
kmeans_mapped_tbl <- tibble(centers = 1:30) %>%
  mutate(k_means = centers %>% map(kmeans_mapper)) %>%
  mutate(glance  = k_means %>% map(glance))

库（tidyverse）
图书馆（tidyquant）
图书馆（扫帚）
图书馆（umap）
图书馆（readr）
图书馆（readxl）
图书馆（purrr）
标普500价格=截止日期（“2018-01-01”）%>%
突变（滞后一天=滞后（调整后，1））%>%
过滤器（！is.na（滞后一天））%>%
变异（差异=调整-滞后一天）%>%
突变（pct\u返回=一天的差异/滞后）%>%
选择（符号、日期、pct\U返回）
sp_500_每日_返回值_tbl
库存\日期\矩阵\待定%
选择（符号、日期、pct\U返回）%>%
透视图（名称从=日期，值从=pct返回，值填充=0）%>%
解组（）
库存数据矩阵下降%kmeans\u映射器（）%>%glance（）
kmeans\u映射\u tbl%
变异（k_平均值=中心%>%map（kmeans_映射器））%>%
突变（一瞥=k_意味着%>%map（一瞥））

输出应如下所示：

您正在做的事情与定义

kmeans\u包装器时类似。