R语言中apply函数

关山初度尘未洗,策马扬鞭再奋蹄!这篇文章主要讲述R语言中apply函数相关的知识,希望能为你提供帮助。
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。
R语言中apply函数

文章图片

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。
【R语言中apply函数】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,]34 [2,]33 [3,]32 [4,]31 [5,]32 [6,]33 [7,]34 [8,]35# 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,]4.044.044.044.04 [2,]3.532.522.533.54

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 V1V2 14 3.5 24 3.0 34 2.5 44 2.0 54 2.5 64 3.0 74 3.5 84 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)) x1x2 14 3.5 24 3.0 34 2.5 44 2.0 54 2.5 64 3.0 74 3.5 84 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 000

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]123456789 10 $b [1]0.7585424 14.3662366 13.3772979 11.66589909.7011387 21.5321427 $c [1]TRUE FALSE FALSETRUE# 分别计算每个KEY对应该的数据的分位数。 > lapply(x,fivenum) $a [1]1.03.05.58.0 10.0$b [1]0.75854249.7011387 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,]32 [2,]31 [3,]34 [4,]35 [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,]11 [2,]11, , 2[,1] [,2] [1,]22 [2,]22# 默认情况,则自动合并分组 > sapply(a,function(x) matrix(x,2,2)) [,1] [,2] [1,]12 [2,]12 [3,]12 [4,]12

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) abcdef "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=https://www.songbingjia.com/android/c(‘a‘=0,‘b‘=0,‘c‘=0,‘d‘=0)) x1 x2 a32 b63 c97 d 12 12# 当不设置时,为默认的索引值 > a< -sapply(x,cumsum); a x1 x2 [1,]32 [2,]63 [3,]97 [4,] 12 12# 手动的方式设置行名 > row.names(a)< -c(‘a‘,‘b‘,‘c‘,‘d‘) > a x1 x2 a32 b63 c97 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]543456789 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 157.57814378.7594 [2,] 1.18364331.79531669.46116 -1214.6999 [3,] 0.1643714 14.874291 251.178122124.9309 [4,] 2.5952808 17.383247 138.98432955.0664

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 versicolorvirginica 1.4624.2605.552

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]123456789 10 [1]123456789 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) 012 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) 012 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 -0.30538840.18364330.3295078 [7]0.48742910.57578140.73832471.5952808 $z$b [1] 10987654321> 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
one12
two34
three56
> 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。
onetwo three
3711
> apply(b,2,sum)#表示求每一列的和。
first second
912
> d< -array(1:24,dim=c(2,3,4))
> d
, , 1
[,1] [,2] [,3]
[1,]135
[2,]246
, , 2
[,1] [,2] [,3]
[1,]7911
[2,]81012
, , 3
[,1] [,2] [,3]
[1,]131517
[2,]141618
, , 4
[,1] [,2] [,3]
[1,]192123
[2,]202224
> 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]215793 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


























    推荐阅读