1 replication
- rep 函数能把输入的参数重复数次。另一个相关函数replicate 则能调用表达式数次。大多数情况下它们基本相等,只有当使用随机数时才会出现不同。现在,假定生成均匀分布随机数的runif 函数不是矢量化的,那么rep 函数每次都将重复相同的随机数,而replicate 每次的结果都不相同(由于历史的原因,其参数顺序竟然是从后到前的,这有点烦人):
rep(runif(1),5)
## [1] 0.3322252 0.3322252 0.3322252 0.3322252 0.3322252
replicate(5,runif(1))
## [1] 0.283310499 0.008578707 0.146623782 0.415137337 0.338364811
- 在更为复杂的例子中,replicate 会大显身手。例如,在蒙特卡罗(Monte Carlo)分析中——replicate 最主要的用途,你需要重复固定次数的分析过程且每次迭代都是相互独立的。
- 下一个例子将分析某人上下班时使用不同交通工具所花费的时间。这有些复杂,不过这是为了展示replicate 的作用,它非常适合于这种场景。
- time_for_commute 函数用sample 随机挑选一种交通工具(小汽车、公交车或自行车),然后用rnorm 或rlnorm 找到一个正态分布或对数正态分布1 的行程时间(具体参数取决于所选的交通工具)。
time_for_commute <- function() { mode_of_transport <- sample( c("car","bus","train","bike"),size = 1,prob = c(0.1,0.2,0.3,0.4) ) time <- switch( mode_of_transport,car = rlnorm(1,log(30),0.5),bus = rlnorm(1,log(40),train = rnorm(1,30,10),bike = rnorm(1,60,5) ) names(time) <- mode_of_transport time }
replicate(5,time_for_commute())
## bus bike train bus bike ## 21.79452 60.34375 29.05779 45.15100 57.18907
2 遍历列表
- 现在,你已经注意到向量化在R 中无处不在。事实上,你会很自然地选择编写向量化代码。因为它使代码看上去更精简,且与循环相比它的性能更好。不过,在某些情况下,保持矢量化意味着控制代码的方式不太自然。此时,apply 系列的函数能更自然地让你进行“伪矢量化”2。
- 最简单且常用的成员函数是lapply,它是“list apply”的缩写。lapply 的输入参数是某个函数,此函数将依次作用于列表中的每个元素上,并将结果返回到另一个列表中。
# 构建质因数分解列表: prime_factors<-list( two=2,three=3,four=c(2,2),five=5,six=c(2,3),seven=7,eight=c(2,2,nine=c(3,ten=c(2,5) ) head(prime_factors)
## $two ## [1] 2 ## ## $three ## [1] 3 ## ## $four ## [1] 2 2 ## ## $five ## [1] 5 ## ## $six ## [1] 2 3 ## ## $seven ## [1] 7
# 以向量化的方式在每个列表元素中搜索唯一值是很难做到的。我们可以写一个for 循环来逐个地检查元素,但这种方法有点笨拙: unique_primes<-vector("list",length(prime_factors)) for(i in seq_along(prime_factors)) { unique_primes[[i]]<-unique(prime_factors[[i]]) } names(unique_primes)<-names(prime_factors) unique_primes
## $two ## [1] 2 ## ## $three ## [1] 3 ## ## $four ## [1] 2 ## ## $five ## [1] 5 ## ## $six ## [1] 2 3 ## ## $seven ## [1] 7 ## ## $eight ## [1] 2 ## ## $nine ## [1] 3 ## ## $ten ## [1] 2 5
# lapply 大大简化了这种操作,你无需再用那些陈腔滥调的代码来进行长度和名称检查: lapply(prime_factors,unique)
## $two ## [1] 2 ## ## $three ## [1] 3 ## ## $four ## [1] 2 ## ## $five ## [1] 5 ## ## $six ## [1] 2 3 ## ## $seven ## [1] 7 ## ## $eight ## [1] 2 ## ## $nine ## [1] 3 ## ## $ten ## [1] 2 5
# 如果函数的每次返回值大小相同,且你知其大小为多少,那么你可以使用lapply 的变种vapply。vapply 的含义是:应用于(apply)列表而返回向量(vector)。和前面一样,它的输入参数是一个列表和函数,但vapply 还需要第三个参数,即返回值的模板。它不直接返回列表,而是把结果简化为向量或数组: vapply(prime_factors,length,numeric(1))
## two three four five six seven eight nine ten ## 1 1 2 1 2 1 3 2 2
- 如果输出不能匹配模板,那么vapply 将抛出一个错误——vapply 不如lapply 灵活,因为它输出的每个元素必须大小相同且必须事先就知道。
- 还有一种介于lapply 和vapply 之间的函数sapply,其含义为:简化(simplfy)列表应用。与其他两个函数类似,sapply 的输入参数也是一个列表和函数。它不需要模板,但它会尽可能地把结果简化到一个合适的向量和数组中。
prime_factors<-list( two=2,5) ) sapply(prime_factors,unique)
## $two ## [1] 2 ## ## $three ## [1] 3 ## ## $four ## [1] 2 ## ## $five ## [1] 5 ## ## $six ## [1] 2 3 ## ## $seven ## [1] 7 ## ## $eight ## [1] 2 ## ## $nine ## [1] 3 ## ## $ten ## [1] 2 5
sapply(prime_factors,length)
## two three four five six seven eight nine ten ## 1 1 2 1 2 1 3 2 2
sapply(prime_factors,summary)
## two three four five six seven eight nine ten ## Min. 2 3 2 5 2.00 7 2 3 2.00 ## 1st Qu. 2 3 2 5 2.25 7 2 3 2.75 ## Median 2 3 2 5 2.50 7 2 3 3.50 ## Mean 2 3 2 5 2.50 7 2 3 3.50 ## 3rd Qu. 2 3 2 5 2.75 7 2 3 4.25 ## Max. 2 3 2 5 3.00 7 2 3 5.00
# 匿名函数传给lapply complemented <- c(2,3,6,18) lapply(complemented,rep.int,times=4)
## [[1]] ## [1] 2 2 2 2 ## ## [[2]] ## [1] 3 3 3 3 ## ## [[3]] ## [1] 6 6 6 6 ## ## [[4]] ## [1] 18 18 18 18
lapply(complemented,function(x) rep.int(4,time=x))
## [[1]] ## [1] 4 4 ## ## [[2]] ## [1] 4 4 4 ## ## [[3]] ## [1] 4 4 4 4 4 4 ## ## [[4]] ## [1] 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
- 在极个别的情况下,你可能需要循环遍历环境(而非列表)中每个变量。对此,你可以使用专门的函数eapply。当然,在最新版本的R 中,你也可以使用lapply:
env<-new.env() env$molien<-c(1,1,3) env$larry<-c("Really","leery","rarely","Larry") eapply(env,length)
## $molien ## [1] 9 ## ## $larry ## [1] 4
lapply(env,length)
## $molien ## [1] 9 ## ## $larry ## [1] 4
3 遍历数组
- lapply 和它的小伙伴vapply 与sapply 都可用于矩阵和数组上,但它们的行为往往不是我们想要的。这三个函数把矩阵和数组看作向量,将目标函数作用于每个元素上(沿列往下移动)。而更为常见的是,当要把函数作用于一个数组时,我们希望能按行或列应用它们。下面的例子使用matlab 包,提供了对手语言所具备的功能。
library(matlab)
## ## Attaching package: 'matlab' ## ## The following object is masked from 'package:stats': ## ## reshape ## ## The following objects are masked from 'package:utils': ## ## find,fix ## ## The following object is masked from 'package:base': ## ## sum
(magic4<-magic(4))
## [,1] [,2] [,3] [,4] ## [1,] 16 2 3 13 ## [2,] 5 11 10 8 ## [3,] 9 7 6 12 ## [4,] 4 14 15 1
magic 函数将创建一个f 方阵:n×n 的、从1 排到n2 的数字矩阵,其行数和列数相等:
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。