• R语言中apply函数


    前言

    刚开始接触R语言时,会听到各种的R语言使用技巧,其中最重要的一条就是不要用循环,效率特别低,要用向量计算代替循环计算。

    那么,这是为什么呢?原因在于R的循环操作for和while,都是基于R语言本身来实现的,而向量操作是基于底层的C语言函数实现的,从性能上来看,就会有比较明显的差距了。那么如何使用C的函数来实现向量计算呢,就是要用到apply的家族函数,包括apply, sapply, tapply, mapply, lapply, rapply, vapply, eapply等。

    目录

    1. apply的家族函数
    2. apply函数
    3. lapply函数
    4. sapply函数
    5. vapply函数
    6. mapply函数
    7. tapply函数
    8. rapply函数
    9. eapply函数

    1. apply的家族函数

    apply函数族是R语言中数据处理的一组核心函数,通过使用apply函数,我们可以实现对数据的循环、分组、过滤、类型控制等操作。但是,由于在R语言中apply函数与其他语言循环体的处理思路是完全不一样的,所以apply函数族一直是使用者玩不转一类核心函数。

    很多R语言新手,写了很多的for循环代码,也不愿意多花点时间把apply函数的使用方法了解清楚,最后把R代码写的跟C似得,我严重鄙视只会写for的R程序员。

    apply函数本身就是解决数据循环处理的问题,为了面向不同的数据类型,不同的返回值,apply函数组成了一个函数族,包括了8个功能类似的函数。这其中有些函数很相似,有些也不是太一样的。

    apply

    我一般最常用的函数为apply和sapply,下面将分别介绍这8个函数的定义和使用方法。

    2. apply函数

    apply函数是最常用的代替for循环的函数。apply函数可以对矩阵、数据框、数组(二维、多维),按行或列进行循环计算,对子元素进行迭代,并把子元素以参数传递的形式给自定义的FUN函数中,并以返回计算结果。

    函数定义:

    apply(X, MARGIN, FUN, ...)

    参数列表:

    • X:数组、矩阵、数据框
    • MARGIN: 按行计算或按按列计算,1表示按行,2表示按列,3表示每个维度的和
    • FUN: 自定义的调用函数
    • …: 更多参数,可选

    比如,对一个矩阵的每一行求和,下面就要用到apply做循环了。

    
    > x<-matrix(1:12,ncol=3)
    > apply(x,1,sum)
    [1] 15 18 21 24
    

    下面计算一个稍微复杂点的例子,按行循环,让数据框的x1列加1,并计算出x1,x2列的均值。

    
    # 生成data.frame
    > x <- cbind(x1 = 3, x2 = c(4:1, 2:5)); x
         x1 x2
    [1,]  3  4
    [2,]  3  3
    [3,]  3  2
    [4,]  3  1
    [5,]  3  2
    [6,]  3  3
    [7,]  3  4
    [8,]  3  5
    
    # 自定义函数myFUN,第一个参数x为数据
    # 第二、三个参数为自定义参数,可以通过apply的'...'进行传入。
    > myFUN<- function(x, c1, c2) {
    +   c(sum(x[c1],1), mean(x[c2])) 
    + }
    
    # 把数据框按行做循环,每行分别传递给myFUN函数,设置c1,c2对应myFUN的第二、三个参数
    > apply(x,1,myFUN,c1='x1',c2=c('x1','x2'))
         [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8]
    [1,]  4.0    4  4.0    4  4.0    4  4.0    4
    [2,]  3.5    3  2.5    2  2.5    3  3.5    4
    

    通过这个上面的自定义函数myFUN就实现了,一个常用的循环计算。

    如果直接用for循环来实现,那么代码如下:

    
    # 定义一个结果的数据框
    > df<-data.frame()
    
    # 定义for循环
    > for(i in 1:nrow(x)){
    +   row<-x[i,]                                         # 每行的值
    +   df<-rbind(df,rbind(c(sum(row[1],1), mean(row))))   # 计算,并赋值到结果数据框
    + }
    
    # 打印结果数据框
    > df
      V1  V2
    1  4 3.5
    2  4 3.0
    3  4 2.5
    4  4 2.0
    5  4 2.5
    6  4 3.0
    7  4 3.5
    8  4 4.0
    

    通过for循环的方式,也可以很容易的实现上面计算过程,但是这里还有一些额外的操作需要自己处理,比如构建循环体、定义结果数据集、并合每次循环的结果到结果数据集。

    对于上面的需求,还有第三种实现方法,那就是完成利用了R的特性,通过向量化计算来完成的。

    
    > data.frame(x1=x[,1]+1,x2=rowMeans(x))
      x1  x2
    1  4 3.5
    2  4 3.0
    3  4 2.5
    4  4 2.0
    5  4 2.5
    6  4 3.0
    7  4 3.5
    8  4 4.0
    

    那么,一行就可以完成整个计算过程了。

    接下来,我们需要再比较一下3种操作上面性能上的消耗。

    
    # 清空环境变量
    > rm(list=ls())
    
    # 封装fun1
    > fun1<-function(x){
    +   myFUN<- function(x, c1, c2) {
    +     c(sum(x[c1],1), mean(x[c2])) 
    +   }
    +   apply(x,1,myFUN,c1='x1',c2=c('x1','x2'))
    + }
    
    # 封装fun2
    > fun2<-function(x){
    +   df<-data.frame()
    +   for(i in 1:nrow(x)){
    +     row<-x[i,]
    +     df<-rbind(df,rbind(c(sum(row[1],1), mean(row))))
    +   }
    + }
    
    # 封装fun3
    > fun3<-function(x){
    +   data.frame(x1=x[,1]+1,x2=rowMeans(x))
    + }
    
    # 生成数据集
    > x <- cbind(x1=3, x2 = c(400:1, 2:500))
    
    # 分别统计3种方法的CPU耗时。
    > system.time(fun1(x))
    用户 系统 流逝 
    0.01 0.00 0.02 
    
    > system.time(fun2(x))
    用户 系统 流逝 
    0.19 0.00 0.18 
    
    > system.time(fun3(x))
    用户 系统 流逝 
       0    0    0 
    

    从CPU的耗时来看,用for循环实现的计算是耗时最长的,apply实现的循环耗时很短,而直接使用R语言内置的向量计算的操作几乎不耗时。通过上面的测试,对同一个计算来说,优先考虑R语言内置的向量计算,必须要用到循环时则使用apply函数,应该尽量避免显示的使用for,while等操作方法。

    3. lapply函数

    lapply函数是一个最基础循环操作函数之一,用来对list、data.frame数据集进行循环,并返回和X长度同样的list结构作为结果集,通过lapply的开头的第一个字母’l’就可以判断返回结果集的类型。

    函数定义:

    lapply(X, FUN, ...)

    参数列表:

    • X:list、data.frame数据
    • FUN: 自定义的调用函数
    • …: 更多参数,可选

    比如,计算list中的每个KEY对应该的数据的分位数。

    
    # 构建一个list数据集x,分别包括a,b,c 三个KEY值。
    > x <- list(a = 1:10, b = rnorm(6,10,5), c = c(TRUE,FALSE,FALSE,TRUE));x
    $a
     [1]  1  2  3  4  5  6  7  8  9 10
    $b
    [1]  0.7585424 14.3662366 13.3772979 11.6658990  9.7011387 21.5321427
    $c
    [1]  TRUE FALSE FALSE  TRUE
    
    # 分别计算每个KEY对应该的数据的分位数。
    > lapply(x,fivenum)
    $a
    [1]  1.0  3.0  5.5  8.0 10.0
    
    $b
    [1]  0.7585424  9.7011387 12.5215985 14.3662366 21.5321427
    
    $c
    [1] 0.0 0.0 0.5 1.0 1.0
    

    lapply就可以很方便地把list数据集进行循环操作了,还可以用data.frame数据集按列进行循环,但如果传入的数据集是一个向量或矩阵对象,那么直接使用lapply就不能达到想要的效果了。

    比如,对矩阵的列求和。

    
    # 生成一个矩阵
    > x <- cbind(x1=3, x2=c(2:1,4:5))
    > x; class(x)
         x1 x2
    [1,]  3  2
    [2,]  3  1
    [3,]  3  4
    [4,]  3  5
    [1] "matrix"
    
    # 求和
    > lapply(x, sum)
    [[1]]
    [1] 3
    
    [[2]]
    [1] 3
    
    [[3]]
    [1] 3
    
    [[4]]
    [1] 3
    
    [[5]]
    [1] 2
    
    [[6]]
    [1] 1
    
    [[7]]
    [1] 4
    
    [[8]]
    [1] 5
    

    lapply会分别循环矩阵中的每个值,而不是按行或按列进行分组计算。

    如果对数据框的列求和。

    
    > lapply(data.frame(x), sum)
    $x1
    [1] 12
    
    $x2
    [1] 12
    

    lapply会自动把数据框按列进行分组,再进行计算。

    4. sapply函数

    sapply函数是一个简化版的lapply,sapply增加了2个参数simplify和USE.NAMES,主要就是让输出看起来更友好,返回值为向量,而不是list对象。

    函数定义:

    sapply(X, FUN, ..., simplify=TRUE, USE.NAMES = TRUE)

    参数列表:

    • X:数组、矩阵、数据框
    • FUN: 自定义的调用函数
    • …: 更多参数,可选
    • simplify: 是否数组化,当值array时,输出结果按数组进行分组
    • USE.NAMES: 如果X为字符串,TRUE设置字符串为数据名,FALSE不设置

    我们还用上面lapply的计算需求进行说明。

    
    > x <- cbind(x1=3, x2=c(2:1,4:5))
    
    # 对矩阵计算,计算过程同lapply函数
    > sapply(x, sum)
    [1] 3 3 3 3 2 1 4 5
    
    # 对数据框计算
    > sapply(data.frame(x), sum)
    x1 x2 
    12 12 
    
    # 检查结果类型,sapply返回类型为向量,而lapply的返回类型为list
    > class(lapply(x, sum))
    [1] "list"
    > class(sapply(x, sum))
    [1] "numeric"
    

    如果simplify=FALSE和USE.NAMES=FALSE,那么完全sapply函数就等于lapply函数了。

    
    > lapply(data.frame(x), sum)
    $x1
    [1] 12
    
    $x2
    [1] 12
    
    > sapply(data.frame(x), sum, simplify=FALSE, USE.NAMES=FALSE)
    $x1
    [1] 12
    
    $x2
    [1] 12
    

    对于simplify为array时,我们可以参考下面的例子,构建一个三维数组,其中二个维度为方阵。

    
    > a<-1:2
    
    # 按数组分组
    > sapply(a,function(x) matrix(x,2,2), simplify='array')
    , , 1
    
         [,1] [,2]
    [1,]    1    1
    [2,]    1    1
    
    , , 2
    
         [,1] [,2]
    [1,]    2    2
    [2,]    2    2
    
    # 默认情况,则自动合并分组
    > sapply(a,function(x) matrix(x,2,2))
         [,1] [,2]
    [1,]    1    2
    [2,]    1    2
    [3,]    1    2
    [4,]    1    2
    

    对于字符串的向量,还可以自动生成数据名。

    
    > val<-head(letters)
    
    # 默认设置数据名
    > sapply(val,paste,USE.NAMES=TRUE)
      a   b   c   d   e   f 
    "a" "b" "c" "d" "e" "f" 
    
    # USE.NAMES=FALSE,则不设置数据名
    > sapply(val,paste,USE.NAMES=FALSE)
    [1] "a" "b" "c" "d" "e" "f"
    

    5. vapply函数

    vapply类似于sapply,提供了FUN.VALUE参数,用来控制返回值的行名,这样可以让程序更健壮。

    函数定义:

    vapply(X, FUN, FUN.VALUE, ..., USE.NAMES = TRUE)

    参数列表:

    • X:数组、矩阵、数据框
    • FUN: 自定义的调用函数
    • FUN.VALUE: 定义返回值的行名row.names
    • …: 更多参数,可选
    • USE.NAMES: 如果X为字符串,TRUE设置字符串为数据名,FALSE不设置

    比如,对数据框的数据进行累计求和,并对每一行设置行名row.names

    
    # 生成数据集
    > x <- data.frame(cbind(x1=3, x2=c(2:1,4:5)))
    
    # 设置行名,4行分别为a,b,c,d
    > vapply(x,cumsum,FUN.VALUE=c('a'=0,'b'=0,'c'=0,'d'=0))
      x1 x2
    a  3  2
    b  6  3
    c  9  7
    d 12 12
    
    # 当不设置时,为默认的索引值
    > a<-sapply(x,cumsum);a
         x1 x2
    [1,]  3  2
    [2,]  6  3
    [3,]  9  7
    [4,] 12 12
    
    # 手动的方式设置行名
    > row.names(a)<-c('a','b','c','d')
    > a
      x1 x2
    a  3  2
    b  6  3
    c  9  7
    d 12 12
    

    通过使用vapply可以直接设置返回值的行名,这样子做其实可以节省一行的代码,让代码看起来更顺畅,当然如果不愿意多记一个函数,那么也可以直接忽略它,只用sapply就够了。

    6. mapply函数

    mapply也是sapply的变形函数,类似多变量的sapply,但是参数定义有些变化。第一参数为自定义的FUN函数,第二个参数’…’可以接收多个数据,作为FUN函数的参数调用。

    函数定义:

    mapply(FUN, ..., MoreArgs = NULL, SIMPLIFY = TRUE,USE.NAMES = TRUE)

    参数列表:

    • FUN: 自定义的调用函数
    • …: 接收多个数据
    • MoreArgs: 参数列表
    • SIMPLIFY: 是否数组化,当值array时,输出结果按数组进行分组
    • USE.NAMES: 如果X为字符串,TRUE设置字符串为数据名,FALSE不设置

    比如,比较3个向量大小,按索引顺序取较大的值。

    
    > set.seed(1)
    
    # 定义3个向量
    > x<-1:10
    > y<-5:-4
    > z<-round(runif(10,-5,5))
    
    # 按索引顺序取较大的值。
    > mapply(max,x,y,z)
     [1]  5  4  3  4  5  6  7  8  9 10
    

    再看一个例子,生成4个符合正态分布的数据集,分别对应的均值和方差为c(1,10,100,1000)。

    
    > set.seed(1)
    
    # 长度为4
    > n<-rep(4,4)
    
    # m为均值,v为方差
    > m<-v<-c(1,10,100,1000)
    
    # 生成4组数据,按列分组
    > mapply(rnorm,n,m,v)
              [,1]      [,2]      [,3]       [,4]
    [1,] 0.3735462 13.295078 157.57814   378.7594
    [2,] 1.1836433  1.795316  69.46116 -1214.6999
    [3,] 0.1643714 14.874291 251.17812  2124.9309
    [4,] 2.5952808 17.383247 138.98432   955.0664
    

    由于mapply是可以接收多个参数的,所以我们在做数据操作的时候,就不需要把数据先合并为data.frame了,直接一次操作就能计算出结果了。

    7. tapply函数

    tapply用于分组的循环计算,通过INDEX参数可以把数据集X进行分组,相当于group by的操作。

    函数定义:

    tapply(X, INDEX, FUN = NULL, ..., simplify = TRUE)

    参数列表:

    • X: 向量
    • INDEX: 用于分组的索引
    • FUN: 自定义的调用函数
    • …: 接收多个数据
    • simplify : 是否数组化,当值array时,输出结果按数组进行分组

    比如,计算不同品种的鸢尾花的花瓣(iris)长度的均值。

    
    # 通过iris$Species品种进行分组
    > tapply(iris$Petal.Length,iris$Species,mean)
        setosa versicolor  virginica 
         1.462      4.260      5.552 
    

    对向量x和y进行计算,并以向量t为索引进行分组,求和。

    
    > set.seed(1)
    
    # 定义x,y向量
    > x<-y<-1:10;x;y
     [1]  1  2  3  4  5  6  7  8  9 10
     [1]  1  2  3  4  5  6  7  8  9 10
    
    # 设置分组索引t
    > t<-round(runif(10,1,100)%%2);t
     [1] 1 2 2 1 1 2 1 0 1 1
    
    # 对x进行分组求和
    > tapply(x,t,sum)
     0  1  2 
     8 36 11 
    

    由于tapply只接收一个向量参考,通过’…’可以把再传给你FUN其他的参数,那么我们想去y向量也进行求和,把y作为tapply的第4个参数进行计算。

    
    > tapply(x,t,sum,y)
     0  1  2 
    63 91 66 
    

    得到的结果并不符合我们的预期,结果不是把x和y对应的t分组后求和,而是得到了其他的结果。第4个参数y传入sum时,并不是按照循环一个一个传进去的,而是每次传了完整的向量数据,那么再执行sum时sum(y)=55,所以对于t=0时,x=8 再加上y=55,最后计算结果为63。那么,我们在使用’…’去传入其他的参数的时候,一定要看清楚传递过程的描述,才不会出现的算法上的错误。

    8. rapply函数

    rapply是一个递归版本的lapply,它只处理list类型数据,对list的每个元素进行递归遍历,如果list包括子元素则继续遍历。

    函数定义:

    rapply(object, f, classes = "ANY", deflt = NULL, how = c("unlist", "replace", "list"), ...)

    参数列表:

    • object:list数据
    • f: 自定义的调用函数
    • classes : 匹配类型, ANY为所有类型
    • deflt: 非匹配类型的默认值
    • how: 3种操作方式,当为replace时,则用调用f后的结果替换原list中原来的元素;当为list时,新建一个list,类型匹配调用f函数,不匹配赋值为deflt;当为unlist时,会执行一次unlist(recursive = TRUE)的操作
    • …: 更多参数,可选

    比如,对一个list的数据进行过滤,把所有数字型numeric的数据进行从小到大的排序。

    
    > x=list(a=12,b=1:4,c=c('b','a'))
    > y=pi
    > z=data.frame(a=rnorm(10),b=1:10)
    > a <- list(x=x,y=y,z=z)
    
    # 进行排序,并替换原list的值
    > rapply(a,sort, classes='numeric',how='replace')
    $x
    $x$a
    [1] 12
    $x$b
    [1] 4 3 2 1
    $x$c
    [1] "b" "a"
    
    $y
    [1] 3.141593
    
    $z
    $z$a
     [1] -0.8356286 -0.8204684 -0.6264538 -0.3053884  0.1836433  0.3295078
     [7]  0.4874291  0.5757814  0.7383247  1.5952808
    $z$b
     [1] 10  9  8  7  6  5  4  3  2  1
    
    > class(a$z$b)
    [1] "integer"
    

    从结果发现,只有$z$a的数据进行了排序,检查$z$b的类型,发现是integer,是不等于numeric的,所以没有进行排序。

    接下来,对字符串类型的数据进行操作,把所有的字符串型加一个字符串’++++’,非字符串类型数据设置为NA。

    
    > rapply(a,function(x) paste(x,'++++'),classes="character",deflt=NA, how = "list")
    $x
    $x$a
    [1] NA
    $x$b
    [1] NA
    $x$c
    [1] "b ++++" "a ++++"
    
    $y
    [1] NA
    
    $z
    $z$a
    [1] NA
    $z$b
    [1] NA
    

    只有$x$c为字符串向量,都合并了一个新字符串。那么,有了rapply就可以对list类型的数据进行方便的数据过滤了。

    9. eapply函数

    对一个环境空间中的所有变量进行遍历。如果我们有好的习惯,把自定义的变量都按一定的规则存储到自定义的环境空间中,那么这个函数将会让你的操作变得非常方便。当然,可能很多人都不熟悉空间的操作,那么请参考文章 揭开R语言中环境空间的神秘面纱解密R语言函数的环境空间

    函数定义:

    eapply(env, FUN, ..., all.names = FALSE, USE.NAMES = TRUE)

    参数列表:

    • env: 环境空间
    • FUN: 自定义的调用函数
    • …: 更多参数,可选
    • all.names: 匹配类型, ANY为所有类型
    • USE.NAMES: 如果X为字符串,TRUE设置字符串为数据名,FALSE不设置

    下面我们定义一个环境空间,然后对环境空间的变量进行循环处理。

    
    # 定义一个环境空间
    > env
    
    
    # 向这个环境空间中存入3个变量
    > env$a <- 1:10
    > env$beta <- exp(-3:3)
    > env$logic <- c(TRUE, FALSE, FALSE, TRUE)
    > env
    
    
    # 查看env空间中的变量
    > ls(env)
    [1] "a"     "beta"  "logic"
    
    # 查看env空间中的变量字符串结构
    > ls.str(env)
    a :  int [1:10] 1 2 3 4 5 6 7 8 9 10
    beta :  num [1:7] 0.0498 0.1353 0.3679 1 2.7183 ...
    logic :  logi [1:4] TRUE FALSE FALSE TRUE
    

    计算env环境空间中所有变量的均值。

    
    > eapply(env, mean)
    $logic
    [1] 0.5
    $beta
    [1] 4.535125
    $a
    [1] 5.5
    

    再计算中当前环境空间中的所有变量的占用内存大小。

    
    # 查看当前环境空间中的变量
    > ls()
     [1] "a"     "df"     "env"    "x"     "y"    "z"    "X"  
    
    # 查看所有变量的占用内存大小
    > eapply(environment(), object.size)
    $a
    2056 bytes
    
    $df
    1576 bytes
    
    $x
    656 bytes
    
    $y
    48 bytes
    
    $z
    952 bytes
    
    $X
    1088 bytes
    
    $env
    56 bytes
    

    eapply函数平时很难被用到,但对于R包开发来说,环境空间的使用是必须要掌握的。特别是当R要做为工业化的工具时,对变量的精确控制和管理是非常必要的。

    本文全面地介绍了,R语言中的数据循环处理的apply函数族,基本已经可以应对所有的循环处理的情况了。同时,在apply一节中也比较了,3种数据处理方面的性能,R的内置向量计算,要优于apply循环,大幅优于for循环。那么我们在以后的R的开发和使用过程中,应该更多地把apply函数使用好。

    忘掉程序员的思维,换成数据的思维,也许你就一下子开朗了。

    apply函数经常用来计算矩阵中行或列的均值、和值的函数,具体方法如下:
    apply(x,计算行或列数字代码,函数),详见例子:
    > b
    first second
    one 1 2
    two 3 4
    three 5 6
    > apply(b,1,sum)#第一个参数表示要计算的矩阵,第二个参数1表示计算每一行,第三个参数是要计算每一行的函数,这里是求每一行的和。
    one two three
    3 7 11
    > apply(b,2,sum)#表示求每一列的和。
    first second
    9 12

    > d<-array(1:24,dim=c(2,3,4))
    > d
    , , 1

    [,1] [,2] [,3]
    [1,] 1 3 5
    [2,] 2 4 6

    , , 2

    [,1] [,2] [,3]
    [1,] 7 9 11
    [2,] 8 10 12

    , , 3

    [,1] [,2] [,3]
    [1,] 13 15 17
    [2,] 14 16 18

    , , 4

    [,1] [,2] [,3]
    [1,] 19 21 23
    [2,] 20 22 24
    > apply(d,3,sum)#表示求每一维的和,一个维度为一个矩阵,即这个维度的每个元素相加之和。
    [1] 21 57 93 129
    本文来自: 人大经济论坛 R语言论坛 版,详细出处参考: http://bbs.pinggu.org/forum.php?mod=viewthread&tid=4200726&page=1

  • 相关阅读:
    判断当前时间
    判断页面有没有点击
    js前台与后台数据交互-后台调前台(后台调用、注册客户端脚本)
    js前台与后台数据交互-前台调后台
    关于Cookie
    关于Session
    asp.net中的<%%>的几种形式的用法
    解析客户端脚本、服务器端脚本
    Asp.net--Ajax前后台数据交互
    Asp.Net 前后台交互小结
  • 原文地址:https://www.cnblogs.com/csguo/p/7294345.html
Copyright © 2020-2023  润新知