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？
R 有许多 *apply 函数，这些函数在帮助文件中有详细描述（例如 ?apply ）。不过，这些函数数量足够多，初学者可能难以决定哪一个适合他们的情况，甚至无法记住所有函数。他们可能有一种普遍的感觉，“我应该在这里使用 *apply 函数”，但一开始要记住所有函数可能很难。
尽管（其他答案中指出）*apply 系列的大部分功能都包含在极受欢迎的软件包中 plyr ，但基本功能仍然有用且值得了解。
这个答案旨在为新用户提供某种 指引 ，帮助他们找到适合特定问题的正确 *apply 函数。请注意，这并不是 简单 地重复或替换 R 文档！希望这个答案能帮助您决定哪个 *apply 函数适合您的情况，然后由您进一步研究它。除了一个例外，性能差异将不会得到解决。
p3
# Two dimensional matrix M <- matrix(seq(1,16), 4, 4) # apply min to rows apply(M, 1, min) [1] 1 2 3 4 # apply max to columns apply(M, 2, max) [1] 4 8 12 16 # 3 dimensional array M <- array( seq(32), dim = c(4,4,2)) # Apply sum across each M[*, , ] - i.e Sum across 2nd and 3rd dimension apply(M, 1, sum) # Result is one-dimensional [1] 120 128 136 144 # Apply sum across each M[*, *, ] - i.e Sum across 3rd dimension apply(M, c(1,2), sum) # Result is two-dimensional [,1] [,2] [,3] [,4] [1,] 18 26 34 42 [2,] 20 28 36 44 [3,] 22 30 38 46 [4,] 24 32 40 48p4
p5
p6
x <- list(a = 1, b = 1:3, c = 10:100) lapply(x, FUN = length) $a [1] 1 $b [1] 3 $c [1] 91 lapply(x, FUN = sum) $a [1] 1 $b [1] 6 $c [1] 5005p7
p8
x <- list(a = 1, b = 1:3, c = 10:100) # Compare with above; a named vector, not a list sapply(x, FUN = length) a b c 1 3 91 sapply(x, FUN = sum) a b c 1 6 5005 p9
sapply(1:5,function(x) rnorm(3,x))p10
sapply(1:5,function(x) matrix(x,2,2))p11
sapply(1:5,function(x) matrix(x,2,2), simplify = "array")p12
p13
p14
x <- list(a = 1, b = 1:3, c = 10:100) #Note that since the advantage here is mainly speed, this # example is only for illustration. We're telling R that # everything returned by length() should be an integer of # length 1. vapply(x, FUN = length, FUN.VALUE = 0L) a b c 1 3 91p15
p16
#Sums the 1st elements, the 2nd elements, etc. mapply(sum, 1:5, 1:5, 1:5) [1] 3 6 9 12 15 #To do rep(1,4), rep(2,3), etc. mapply(rep, 1:4, 4:1) [[1]] [1] 1 1 1 1 [[2]] [1] 2 2 2 [[3]] [1] 3 3 [[4]] [1] 4p17
Map(sum, 1:5, 1:5, 1:5) [[1]] [1] 3 [[2]] [1] 6 [[3]] [1] 9 [[4]] [1] 12 [[5]] [1] 15第18页
第19页
# Append ! to string, otherwise increment myFun <- function(x){ if(is.character(x)){ return(paste(x,"!",sep="")) } else{ return(x + 1) } } #A nested list structure l <- list(a = list(a1 = "Boo", b1 = 2, c1 = "Eeek"), b = 3, c = "Yikes", d = list(a2 = 1, b2 = list(a3 = "Hey", b3 = 5))) # Result is named vector, coerced to character rapply(l, myFun) # Result is a nested list like l, with values altered rapply(l, myFun, how="replace")第20页
第21页
第22页
x <- 1:20第23页
y <- factor(rep(letters[1:5], each = 4))第24页
tapply(x, y, sum) a b c d e 10 26 42 58 74 第25页