R语言中的apply函数族

Posted 2021-04-18 生物信息学

前言

apply函数族是R语言中数据处理的一组核心函数，通过使用apply函数，我们可以实现对数据的循环、分组、过滤、类型控制等操作。但是，由于在R语言中apply函数与其他语言循环体的处理思路是完全不一样的，所以apply函数族一直是初学者玩不转的一类核心函数。很多R语言新手，写了很多的for循环代码，也不愿意多花点时间把apply函数的使用方法了解清楚，最后把R代码写的跟C似得。

简介

由于R语言的apply家族函数是用C写的，所以使用apply进行遍历的执行效率远远高于自己编写的循环语句。为了面向不同的数据类型，不同的返回值，apply函数组成了一个函数族，包括了8个功能类似的函数，具体如下表所示。下面我们一个一个来介绍。

apply函数

apply函数是最常用的代替for循环的函数。apply函数可以对矩阵、数据框、数组(二维、多维)，按行或列进行循环计算，对子元素进行迭代，并把子元素以参数传递的形式给自定义的FUN函数中，并返回计算结果。调用格式如下：

apply(X, MARGIN, FUN, ...)

X: 是一个数组(array)，也就是说输入必须都是相同类型的数据，要么都是数值型，要么都是字符型。如果是一个混合数据类型的data.frame，那么就会尝试用as.matrix强制转换数据。

MARGIN：表示对行(1)或者是对列(2)应用函数。

FUN: 可是R自带函数，如mean，sum等。也可以是自己编写的函数。

... ：FUN中的额外参数。

现在假设我们需要对一个矩阵的每一行求和，那么用apply怎么实现呢？

x<-matrix(1:12, ncol=3)apply(x, 1, sum)[1] 15 18 21 24

一行代码搞定！当然你说可以使用 rowSums(x)也一样能得到结果，但是如果稍微复杂点，rowSums函数就不行了。比如说让数据框的x1列加1，并计算出x1,x2列的均值，这个时候就需要利用apply调用自定义函数了，可以说这才是apply强大的真正原因。

第一步，生成matrix

x <- cbind(x1 = 10, x2 = c(1:4, 2:5)); x x1 x2[1,] 10 1[2,] 10 2[3,] 10 3[4,] 10 4[5,] 10 2[6,] 10 3[7,] 10 4[8,] 10 5

第二步，自定义函数myFUN，第一个参数x为数据， 第二、三个参数为自定义参数，可以通过apply的'...'进行传入。

myFUN <- function(x, c1, c2) {  c(sum(x[c1], 1), mean(x[c2])) }

第三步，通过apply调用上面自定义的函数

apply(x, 1, myFUN, c1='x1', c2=c('x1', 'x2')) [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8][1,] 11.0 11 11.0 11 11 11.0 11 11.0[2,] 5.5 6 6.5 7 6 6.5 7 7.5

是不是很简单，通过for循环的方式，也可以很容易的实现上面计算过程，但是需要一些额外的操作，比如构建循环体、定义结果数据集、合并每次循环的结果到结果数据集。

lapply函数

lapply函数是一个最基础循环操作函数之一，用来对list、data.frame数据集进行循环，并返回和X长度同样的list结构作为结果集，通过lapply的开头的第一个字母’l’就可以判断返回结果集的类型。

下面以计算list中的每个元素对应数据的分位数为例，展示该函数的特性。

# 构建一个list数据集x，分别包括a,b,c 三个KEY值。x <- list(a = 5:20, b = rnorm(6,10,5), c = c(FALSE,FALSE,TRUE,TRUE,TRUE,TRUE))# 分别计算每个KEY对应数据的分位数。lapply(x, fivenum)$`a`[1] 5.0 8.5 12.5 16.5 20.0
$b[1] 3.772836 11.750169 14.611470 17.395703 23.898115
$c[1] 0 0 1 1 1

可以看到，lapply很方便地把list数据集进行循环操作了，此外，它还可以对data.frame数据集按列进行循环，但如果传入的数据集是一个向量或矩阵对象，那么直接使用lapply就不能达到想要的效果了，lapply会分别循环矩阵中的每个值，而不是按行或按列进行分组计算。

x <- cbind(x=3, y=c(2:1, 4:5))lapply(data.frame(x), sum)$x[1] 12
$y[1] 12

sapply函数

sapply函数是一个简化版的lapply，sapply增加了2个参数simplify和USE.NAMES，主要就是让输出看起来更友好，返回值为向量，而不是list对象。

vapply函数

vapply类似于sapply，提供了FUN.VALUE参数，用来控制返回值的行名，这样可以让程序更健壮。

mapply函数

mapply是sapply的变形函数，类似多变量的sapply，但是参数定义有些变化。第一参数为自定义的FUN函数，第二个参数’…’可以接收多个数据，作为FUN函数的参数调用。比如，比较3个向量大小，按索引顺序取较大的值。

# 定义3个向量x <- 4:10y <- 10:4z <- round(runif(7, -5, 5))
# 按索引顺序取较大的值。mapply(max, x, y, z)[1] 10 9 8 7 8 9 10

又比如想生成4个符合正态分布的数据集，分别对应的均值和方差为c(1,10,100,1000)。

# m为均值，v为方差m <- v <- c(1, 10, 100, 1000)
# 生成4组数据，按列分组mapply(rnorm, rep(4,4), m, v)[,1] [,2] [,3] [,4][1,] 1.1321892 11.119809 -12.65840 525.4851[2,] 3.3765492 8.032937 -44.84486 700.5648[3,] 0.1849429 6.717259 157.55199 1430.6167[4,] 1.8121539 15.392016 32.86186 1621.0613

tapply函数

tapply用于分组的循环计算，通过INDEX参数可以把数据集X进行分组，相当于group by的操作。例如，计算不同品种的鸢尾花的花瓣(iris)长度的均值。

# 通过iris$Species品种进行分组tapply(iris$Petal.Length, iris$Species, mean) setosa versicolor virginica  1.462 4.260 5.552

rapply函数

rapply是一个递归版本的lapply，它只处理list类型数据，对list的每个元素进行递归遍历，如果list包括子元素则继续遍历。例如，对一个list的数据进行过滤，把所有数字型的数据进行从小到大的排序。

x <- list(a=12, b=1:4, c=c('b', 'a'))y <- data.frame(a=rnorm(10), b=1:10)lst <- list(x=x, y=y)rapply(lst, sort, classes='numeric', how='replace')$`x`$`x`$`a`[1] 12
$`x`$b[1] 1 2 3 4
$`x`$c[1] "b" "a"

$ya b1 -2.28818912 12 -1.11604471 23 -0.71061407 34 -0.47929464 45 -0.45064871 56 -0.32539516 67 -0.09147763 78 0.32032781 89 1.67678507 910 1.71896910 10

eapply函数

对一个环境空间中的所有变量进行遍历。eapply函数平时很难被用到，但对于R包开发来说，环境空间的使用是必须要掌握的。特别是当R要做为工业化的工具时，对变量的精确控制和管理是非常必要的。

总结

从上面这8个函数的参数定义，我们可以发现它们都接收一个函数作为它的参数，在编程的世界里，这种把函数作为参数传入的函数称为高阶函数，函数式编程就是指这种高度抽象的编程范式。这种编程范式与面向对象的范式的差异如下图