本教程旨在介绍apply（）函数集合。apply（）函数是所有集合中最基本的。我们还将学习sapply（），lapply（）和tapply（）。apply集合可以看作是循环的替代品。
如果将R与Anaconda一起安装，则apply（）集合与R基本软件包捆绑在一起。apply（）函数可以提供许多函数，以对对象（数据框，列表，向量等）的集合执行冗余应用程序。apply（）的目的主要是为了避免显式使用循环结构。它们可用于输入列表，矩阵或数组并应用函数。任何函数都可以传递到apply（）中。
在本教程中，您将学习：
- apply()函数
- lapply()函数
- sapply()函数
- 切片矢量
- tapply()函数
apply()函数
apply()将数据框或矩阵作为输入，并以矢量，列表或数组形式输出。apply()函数主要用于避免重复使用循环结构。它是所有可以在矩阵上使用的最基本的集合。
此函数接受3个参数：
apply(X, MARGIN, FUN)
-x：数组或矩阵
-MARGIN：取一个介于1到2之间的值或范围，以定义该函数的应用位置：
-MARGIN = 1`：对行执行操作
-MARGIN = 2`：对列执行操作
-MARGIN = c（1,2）`该操作在行和列上执行
-FUN：告诉应用哪个功能。可以应用平均值，中位数，和，最小值，最大值甚至用户定义的函数等内置函数
最简单的示例是对所有列求和。代码apply（m1，2，sum）将sum函数应用于矩阵5x6，并返回数据集中可访问的每一列的总和。
m1 <- matrix(C<-(1:10),nrow=5, ncol=6)
m1
a_m1 <- apply(m1, 2, sum)
a_m1
输出：
img
最佳实践：在将值打印到控制台之前，先存储它们。
lapply()函数
lapply()函数可用于对列表对象执行操作，并返回与原始集合长度相同的列表对象。lappy()返回一个长度与输入列表对象相似的列表，其每个元素都是将FUN应用于列表的相应元素的结果。lapply()将列表，向量或数据框作为输入，并在列表中给出输出。
lapply(X, FUN)
Arguments:
-X: A vector or an object
-FUN: Function applied to each element of x
lapply()中的l代表列表。lapply()和apply()之间的区别在于输出返回之间。lapply()的输出是一个列表。lapply()可以用于其他对象，例如数据框和列表。
lapply()函数不需要MARGIN。
一个非常简单的示例是使用tolower函数将矩阵的字符串值更改为小写。我们用著名电影的名称构造一个矩阵。名称为大写形式。
movies <- c("SPYDERMAN","BATMAN","VERTIGO","CHINATOWN")
movies_lower <-lapply(movies, tolower)
str(movies_lower)
输出：
## List of 4
## $:chr"spyderman"
## $:chr"batman"
## $:chr"vertigo"
## $:chr"chinatown"
我们可以使用unlist()将列表转换为向量。
films_lower <- unlist(lapply(movies，tolower))
str(movies_lower)
输出：
## chr [1:4] "spyderman" "batman" "vertigo" "chinatown"
sapply（）函数
sapply（）函数将列表，向量或数据帧作为输入，并以向量或矩阵形式输出。它对列表对象的操作很有用，并返回与原始集合长度相同的列表对象。sapply（）函数执行的功能与lapply（）函数相同，但返回一个向量。
sapply(X, FUN)
Arguments:
-X: A vector or an object
-FUN: Function applied to each element of x
我们可以从汽车数据集中测量汽车的最小速度和停车距离。
dt <- cars
lmn_cars <- lapply(dt, min)
smn_cars <- sapply(dt, min)
lmn_cars
smn_cars
输出：
## $speed
## [1] 4
## $ dist
## [1] 2
## speed dist
## 4 2
我们可以在lapply()或sapply（）中使用用户内置函数。我们创建一个名为avg的函数来计算向量最小值和最大值的平均值。
avg <- function(x) {
( min(x) + max(x) ) / 2}
fcars <- sapply(dt, avg)
fcars
输出量
## speed dist
## 14.5 61.0
sapply（）函数在返回的输出中比lapply（）更有效，因为sapply（）将值直接存储到向量中。在下一个示例中，我们将看到情况并非总是如此。
下表总结了apply（），sapply（）和lapply（）之间的区别：
| Function | Arguments | Objective | Input | Output |
|---|---|---|---|---|
| apply | apply(x, MARGIN, FUN) | Apply a function to the rows or columns or both | Data frame or matrix | vector, list, array |
| lapply | lapply(X, FUN) | Apply a function to all the elements of the input | List, vector or data frame | list |
| sapply | sappy(X FUN) | Apply a function to all the elements of the input | List, vector or data frame | vector or matrix |
切片矢量
我们可以使用lapply（）或sapply（）互换来切片数据框。我们创建一个函数below_average（），该函数接受数值的向量，并返回仅包含严格高于平均值的值的向量。我们将两个结果与 identical() 函数进行比较。
below_ave <- function(x) {
ave <- mean(x)
return(x[x > ave])
}
dt_s <- sapply(dt, below_ave)
dt_l <- lapply(dt, below_ave)
identical(dt_s, dt_l)
输出：
## [1] TRUE
tapply（）函数
tapply（）计算向量中每个因子变量的度量（均值，中位数，最小值，最大值等）或函数。这是一项非常有用的功能，可让您创建向量的子集，然后将某些功能应用于每个子集。
tapply(X, INDEX, FUN = NULL)
Arguments:
-X: An object, usually a vector
-INDEX: A list containing factor
-FUN: Function applied to each element of x
数据科学家或研究人员的部分工作是计算变量汇总。例如，根据特征测量平均值或组数据。大多数数据按ID，城市，国家/地区等分组。总结小组会发现更多有趣的模式。
为了了解其工作原理，让我们使用虹膜数据集。该数据集在机器学习领域非常有名。该数据集的目的是预测三种花类中的每一种的类别：萼片，杂色和维珍妮卡。数据集收集每个物种的长度和宽度信息。
作为先前的工作，我们可以计算每个物种的长度的中位数。tapply（）是执行此计算的快速方法。
data(iris)
tapply(iris$Sepal.Width, iris$Species, median)
输出：
## setosa versicolor virginica
## 3.4 2.8 3.0
网友评论