每当我想在 R 中执行 \'map\'py 操作时，我通常会尝试使用 apply 系列中的函数。但是，我从未完全理解它们之间的区别 -- 如何 {sapply、lapply 等}...
每当我想在 R 中执行某些\'map\'py 操作时，我通常会尝试使用该 apply 系列中的函数。
然而，我从来没有完全理解它们之间的区别——{ sapply , lapply 等} 如何将函数应用于输入/分组输入，输出会是什么样子，甚至输入可以是什么——所以我经常只是仔细检查它们直到得到我想要的。
有人可以解释一下何时如何使用哪一个吗？
我目前的理解（可能不正确/不完整）是......
p5
p6
apply(matrix, 1/2, f) ：输入是一个矩阵。输出是一个向量，其中元素 i 是 f（矩阵的第 i 行/第 i 列）
tapply(vector, grouping, f) ：输出是一个矩阵/数组，其中矩阵/数组中的元素是 f 向量分组 g ，并 g 被推送到行/列名称
by(dataframe, grouping, f) ：设为 g 分组。应用于 f 组/数据框的每一列。漂亮地打印分组和 f 每列的值。
aggregate(matrix, grouping, f) ：类似于 by ，但聚合不会漂亮地打印输出，而是将所有内容粘贴到数据框中。
附带问题：我还没有学过 plyr 或 reshape - 是否会 plyr 完全 reshape 取代这些？
一些软件包中也存在一些替代方案，上面没有讨论过。
中的函数 parApply() 为 parallels 在集群上执行并行计算提供了 apply 系列函数的替代方案。R 中并行计算的其他替代方案包括包 foreach 和 doParallel 包，它们允许并行执行循环和函数。 future 包提供了一个简单而一致的 API 来使用 Future，这是一种异步评估表达式的方法，可以并行或顺序进行。此外，包还提供 purrr 了一种函数式编程方法来进行迭代和映射，并通过 future 包支持并行化。
以下是一些示例
library(parallel)
# Create a matrix
m <- matrix(1:20, nrow = 5)
# Define a function to apply to each column of the matrix
my_fun <- function(x) {
x^2
}
# Apply the function to each column of the matrix in parallel
result <- parApply(cl = makeCluster(2), X = m, MARGIN = 2, FUN = my_fun)
# View the result
result
library(foreach)
library(doParallel)
# Register a parallel backend
registerDoParallel(cores = 2)
# Create a list of numbers
my_list <- list(1, 2, 3, 4, 5)
# Define a function to apply to each element of the list
my_fun <- function(x) {
x^2
}
# Apply the function to each element of the list in parallel
result <- foreach(i = my_list) %dopar% my_fun(i)
# View the result
result
library(future)
# Plan to use a parallel backend
plan(multisession, workers = 2)
# Create a list of numbers
my_list <- list(1, 2, 3, 4, 5)
# Define a function to apply to each element of the list
my_fun <- function(x) {
x^2
}
# Apply the function to each element of the list in parallel using futures
result <- future_map(my_list, my_fun)
# View the result
result
library(purrr)
library(future)
# Plan to use a parallel backend
plan(multisession, workers = 2)
# Create a list of numbers
my_list <- list(1, 2, 3, 4, 5)
# Define a function to apply to each element of the list
my_fun <- function(x) {
x^2
}
# Apply the function to each element of the list in parallel using purrr
result <- future_map(my_list, my_fun)
# View the result
result
编辑于 2023-07-02（ 未来 作者）：用以下代码替换已弃用且不再存在的 multiprocess 未来 后端： multisession .