Zastosuj funkcję do każdego wiersza macierzy lub ramki danych

W przypadku, gdy chcesz zastosować typowe funkcje, takie jak sum lub mean, powinieneś użyć rowSums lub rowMeans, ponieważ są one szybsze niż podejście apply(data, 1, sum). W przeciwnym razie trzymaj się apply(data, 1, fun). Możesz przekazać dodatkowe argumenty po zabawnym argumencie (jak Dirk już zasugerował):

set.seed(1)
m <- matrix(round(runif(20, 1, 5)), ncol=4)
diag(m) <- NA
m
     [,1] [,2] [,3] [,4]
[1,]   NA    5    2    3
[2,]    2   NA    2    4
[3,]    3    4   NA    5
[4,]    5    4    3   NA
[5,]    2    1    4    4

Wtedy możesz zrobić coś takiego:

apply(m, 1, quantile, probs=c(.25,.5, .75), na.rm=TRUE)
    [,1] [,2] [,3] [,4] [,5]
25%  2.5    2  3.5  3.5 1.75
50%  3.0    2  4.0  4.0 3.00
75%  4.0    3  4.5  4.5 4.00

Oto krótki przykład zastosowania funkcji do każdego rzędu macierzy. (Tutaj zastosowana funkcja normalizuje każdy wiersz do 1.)

Uwaga: wynik z apply() musiał być przetransponowany używając t(), aby uzyskać taki sam układ jak macierz wejściowa A.

A <- matrix(c(
  0, 1, 1, 2,
  0, 0, 1, 3,
  0, 0, 1, 3
), nrow = 3, byrow = TRUE)

t(apply(A, 1, function(x) x / sum(x) ))

Wynik:

     [,1] [,2] [,3] [,4]
[1,]    0 0.25 0.25 0.50
[2,]    0 0.00 0.25 0.75
[3,]    0 0.00 0.25 0.75

Pierwszym krokiem byłoby stworzenie obiektu funkcji, a następnie zastosowanie go. Jeśli chcesz mieć obiekt matrix, który ma taką samą liczbę wierszy, możesz go predefiniować i użyć postaci obiektu [] jak na ilustracji (w przeciwnym razie zwracana wartość zostanie uproszczona do wektora):

bvnormdens <- function(x=c(0,0),mu=c(0,0), sigma=c(1,1), rho=0){
     exp(-1/(2*(1-rho^2))*(x[1]^2/sigma[1]^2+
                           x[2]^2/sigma[2]^2-
                           2*rho*x[1]*x[2]/(sigma[1]*sigma[2]))) * 
     1/(2*pi*sigma[1]*sigma[2]*sqrt(1-rho^2))
     }
 out=rbind(c(1,2),c(3,4),c(5,6));

 bvout<-matrix(NA, ncol=1, nrow=3)
 bvout[] <-apply(out, 1, bvnormdens)
 bvout
             [,1]
[1,] 1.306423e-02
[2,] 5.931153e-07
[3,] 9.033134e-15

Jeśli chcesz użyć innych parametrów niż domyślne, wywołanie powinno zawierać nazwane argumenty po funkcji:

bvout[] <-apply(out, 1, FUN=bvnormdens, mu=c(-1,1), rho=0.6)

Apply () może być również używane na wyższych tablicach wymiarowych, a argument MARGIN może być zarówno wektorem, jak i pojedynczą liczbą całkowitą.

Apply sprawdza się dobrze, ale jest dość powolny. Użycie sapply i vapply może być przydatne. rowwise dplyra może być również przydatne Zobaczmy przykład jak zrobić wiersz mądry produkt dowolnej ramki danych.

a = data.frame(t(iris[1:10,1:3]))
vapply(a, prod, 0)
sapply(a, prod)

Zauważ, że przypisanie zmiennej przed użyciem vapply / sapply / apply jest dobrą praktyką, ponieważ znacznie skraca czas. Zobaczmy wyniki microbenchmark

a = data.frame(t(iris[1:10,1:3]))
b = iris[1:10,1:3]
microbenchmark::microbenchmark(
    apply(b, 1 , prod),
    vapply(a, prod, 0),
    sapply(a, prod) , 
    apply(iris[1:10,1:3], 1 , prod),
    vapply(data.frame(t(iris[1:10,1:3])), prod, 0),
    sapply(data.frame(t(iris[1:10,1:3])), prod) ,
    b %>%  rowwise() %>%
        summarise(p = prod(Sepal.Length,Sepal.Width,Petal.Length))
)

Przyjrzyj się uważnie, jak t() jest używane

Innym podejściem, jeśli chcesz użyć różnej części zbioru danych zamiast pojedynczej wartości, jest użycie rollapply(data, width, FUN, ...). Użycie wektora szerokości pozwala na zastosowanie funkcji w zmieniającym się oknie zbioru danych. Użyłem tego do zbudowania procedury filtrowania adaptacyjnego, choć nie jest to zbyt wydajne.