【R知识】R语言apply函数族笔记

测试开头

为什么用apply

因为我是一个程序员，所以在最初学习R的时候，当成“又一门编程语言”来学习，但是怎么学都觉得别扭。现在我的看法倾向于，R不是一种通用型的编程语言，而是一种统计领域的软件工具。因此，不能用通用型编程的思维来设计R代码。在 Andrew Lim 关于R和Python的对比回答中，R是一种面向数组(array-oriented)的语法，它更像数学，方便科学家将数学公式转化为R代码。而Python是一种通用编程语言，更工程化。在使用R时，要尽量用array的方式思考，避免for循环。不用循环怎么实现迭代呢？这就需要用到 apply 函数族。它不是一个函数，而是一族功能类似的函数。

概述

apply系列函数的基本作用是对数组（array，可以是多维）或者列表（list）按照元素或元素构成的子集合进行迭代，并将当前元素或子集合作为参数调用某个指定函数。vector是一维的array，dataframe可以看作特殊的list。

这些函数间的关系

作用目标	在每个元素上应用	在子集合上应用
array	`apply`	`tapply`
list	`lapply` (…)	`by`

其中 lapply(...) 包括一族函数

lapply    |    |-> 简化版: sapply    |             | -> 可设置返回值模板: vapply    |             |-> 多变量版: mapply    |    |-> 递归版: rapply

另外vector比较奇怪，vector是一维的array，但是却不全是和array使用相同的函数。在按元素迭代的情况下，使用和list一样的 lapply 函数；而在按子集合迭代的情况下， tapply 和 by 都能用，只是返回值形式不同。

功能与语法描述

apply

apply(array, margin, FUN, ...)

在array上，沿margin方向，依次调用 FUN 。返回值为vector。margin表示数组引用的第几维下标（即array[index1, index2, …]中的第几个index），1对应为1表示行，2表示列，c(1,2)表示行列。margin=1时， apply(a, 1, sum) 等效于下面的操作

a <- array(c(1:24), dim=c(2,3,4))result=c()for (i in c(1:dim(a)[1])) {    result <- c(result, sum(a[i,,])) }

经实测，只能用在二维及以上的array上，不能用在vector上（如果要应用于vector，请使用 lapply 或 sapply ）。以matrix为例，如下

> m <- matrix(c(1:10), nrow=2)> m  [,1] [,2] [,3] [,4] [,5] [1,]    1    3    5    7    9 [2,]    2    4    6    8   10 > apply(m, 1, sum) [1] 25 30 > apply(m, 2, sum) [1]  3  7 11 15 19

tapply

tapply(array, indices, margin, FUN=NULL, ...)

按 indices 中的值分组，把相同值对应下标的array中的元素形成一个集合，应用到 FUN 。类似于group by indices的操作。如果 FUN 返回的是一个值， tapply 返回vector；若 FUN 返回多个值， tapply 返回list。vector或list的长度和 indices 中不同值的个数相等。

当 FUN 为 NULL 的时候，返回一个长度和array中元素个数相等的vector，指示分组的结果，vector中相等的元素所对应的下标属于同一组。例如，返回c(1, 2, 1, 3, 2), 表示根据传入的 indices ，第1、3个元素作为一组，第2、5个元素作为一组，第4个元素作为一组。

一维array的例子（即vector）

> v <- c(1:5) > ind <- c('a','a','a','b','b') > tapply(v, ind) [1] 1 1 1 2 2 > tapply(v, ind, sum) a b  6 9  > tapply(v, ind, fivenum) $a [1] 1.0 1.5 2.0 2.5 3.0  $b [1] 4.0 4.0 4.5 5.0 5.0

二维array的例子（即matrix）

> m <- matrix(c(1:10), nrow=2)> m      [,1] [,2] [,3] [,4] [,5] [1,]    1    3    5    7    9 [2,]    2    4    6    8   10 > ind <- matrix(c(rep(1,5), rep(2,5)), nrow=2)> ind      [,1] [,2] [,3] [,4] [,5] [1,]    1    1    1    2    2 [2,]    1    1    2    2    2 > tapply(m, ind)  [1] 1 1 1 1 1 2 2 2 2 2 > tapply(m, ind, mean) 1 2  3 8  > tapply(m, ind, fivenum) $`1` [1] 1 2 3 4 5  $`2` [1]  6  7  8  9 10

by

by(dataframe, INDICES, FUN, ..., simplify=TRUE)

by 可以当成dataframe上的 tapply 。 indices 应当和dataframe每列的长度相同。返回值是 by 类型的object。若simplify=FALSE，本质上是个list。

> df <- data.frame(a=c(1:5), b=c(6:10))> ind <- c(1,1,1,2,2) > res <- by(df, ind, colMeans)  > res ind: 1 a b  2 7  ------------------------------------------------------------  ind: 2   a   b  4.5 9.5  > class(res) [1] "by" > names(res) [1] "1" "2"

lapply

lapply(list, FUN, ...)

在 list 上逐个元素调用 FUN 。可以用于dataframe上，因为dataframe是一种特殊形式的list。例

> lst <- list(a=c(1:5), b=c(6:10))> lapply(lst, mean) $a [1] 3  $b [1] 8  > lapply(lst, fivenum) $a [1] 1 2 3 4 5  $b [1]  6  7  8  9 10

sapply

sapply(list, FUN, ..., simplify, USE.NAME=TRUE)

比 lapply 多了一个 simplify 参数。如果 simplify=FALSE ，则等价于 lapply 。否则，在上一种情况的基础上，将 lapply 输出的list简化为vector或matrix。例

> lst <- list(a=c(1:5), b=c(6:10))> sapply(lst, mean) a b  3 8  > sapply(lst, fivenum)  a  b [1,] 1  6 [2,] 2  7 [3,] 3  8 [4,] 4  9 [5,] 5 10

vapply

vapply(list, FUN, FUN.VALUE, ..., USE.NAME=TRUE)

vapply 类似于 sapply ，但是提供了第三个参数 FUN.VALUE 用以指明返回值的形式，可以看作返回值的模板。例

 > lst <- list(a=c(1:5), b=c(6:10))  > res <- vapply(lst, function(x) c(min(x), max(x)), c(min.=0, max.=0))  > res       a  b  min. 1  6  max. 5 10

mapply

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

mapply 是多变量版的 sapply ，参数(…)部分可以接收多个数据， mapply 将 FUN 应用于这些数据的第一个元素组成的数组，然后是第二个元素组成的数组，以此类推。要求多个数据的长度相同，或者是整数倍关系。返回值是vector或matrix，取决于 FUN 返回值是一个还是多个。

> mapply(sum, list(a=1,b=2,c=3), list(a=10,b=20,d=30))  a  b  c  11 22 33 > mapply(function(x,y) x^y, c(1:5), c(1:5)) [1]    1    4   27  256 3125> mapply(function(x,y) c(x+y, x^y), c(1:5), c(1:5))      [,1] [,2] [,3] [,4] [,5] [1,]    2    4    6    8   10[2,]    1    4   27  256 3125

rapply

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

rapply 是递归版的 lappy 。基本原理是对list作遍历，如果其中有的元素仍然是list，则继续遍历；对于每个非list类型的元素，如果其类型是 classes 参数指定的类型之一，则调用 FUN 。classes="ANY"表示匹配所有类型。

how参数用来指定操作方式，有三种：

"replace" 直接用调用 FUN 后的结果替换原list中原来的元素
"list" 新建一个list，元素类型在 classes 中的，调用 FUN ；不在 classes 中的类型，使用 deflt 。会保留原始list的结构。
"unlist" 相当于对"list"模式下的结果调用 unlist(recursive=TRUE)

 > lst <- list(a=list(aa=c(1:5), ab=c(6:10)), b=list(ba=c(1:10))) > lst$a$a$aa[1] 1 2 3 4 5$a$ab[1]  6  7  8  9 10$b$b$ba  [1]  1  2  3  4  5  6  7  8  9 10> rapply(lst, sum, how='list')$a$a$aa[1] 15$a$ab[1] 40$b$b$ba[1] 55> rapply(lst, sum, how='unlist') a.aa a.ab b.ba    15   40   55

第二个是关于 classes 和 deflt 参数使用的例子

> lst2$a$a$aa[1] 1 2 3 4 5$a$ab[1]  6  7  8  9 10$b$b$ba[1] "I am a string"> rapply(lst2, sum, how='unlist') Error in .Primitive("sum")("I am a string", ...) :    invalid 'type' (character) of argument > rapply(lst2, sum, classes=c('integer'), deflt=-1, how='unlist')a.aa a.ab b.ba    15   40   -1  > rapply(lst2, nchar, classes=c('character'), deflt=as.integer(NA), how='unlist') a.aa a.ab b.ba    NA   NA   13

eapply

environment上的的apply。从没用过environment，暂时不研究了。

应用

tapply实现crosstable功能

以一个例子演示。原始数据为按年份year、地区loc和商品类别type进行统计的销售量。我们要制作两个销售总量的crosstable，一个以年份为行、地区为列，一个以年份为行，类别为列。

> df <- data.frame(year=kronecker(2001:2003, rep(1,4)), loc=c('beijing','beijing','shanghai','shanghai'), type=rep(c('A','B'),6), sale=rep(1:12))> df  year		loc type sale 1  2001  beijing	 A	 1 2  2001  beijing	 B	 2 3  2001 shanghai	 A	 3 4  2001 shanghai	 B	 4 5  2002  beijing	 A	 5 6  2002  beijing	 B	 6 7  2002 shanghai	 A	 7 8  2002 shanghai	 B	 8 9  2003  beijing	 A	 9 10 2003  beijing	 B	10 11 2003 shanghai	 A	11 12 2003 shanghai	 B	12 > tapply(df$sale, df[,c('year','loc')], sum)    loc year	beijing shanghai   2001		 3		  7   2002		11		 15   2003		19		 23 > tapply(df$sale, df[,c('year','type')], sum)    type year	 A  B   2001  4  6   2002 12 14   2003 20 22