Question

在对这个问题的回答之后，我有一个问题 Matching vertex attributes across a list of edgelists R

我的解决方案是使用循环，但是我们应该尽可能地尝试优化（向量化）。

我想了解的是如何将帖子中提出的解决方案矢量化。

我的解决方法是

for(i in 1:length(graph_list)){
  graph_list[[i]]=set_vertex_attr(graph_list[[i]],"gender", value=attribute_df$gender[match(V(graph_list[[i]])$name, attribute_df$names)])
}

理想情况下，我们可以使用lapply将其向量化，但是我在构思如何做到这一点时遇到了麻烦。这就是我所拥有的

graph_lists_new=lapply(graph_list, set_vertex_attr, value=attribute_df$gender[match(V(??????????)$name, attribute_df$names)]))

我不清楚要在??????中加上什么。 V()函数中的内容应该是列表中的每个项目，但是我没有得到的是我在使用lapply时放入的内容。

所有数据都可以在我发布的链接中找到，但是这里仍然是数据

attribute_df<- structure(list(names = structure(c(6L, 7L, 5L, 2L, 1L, 8L, 3L, 
4L), .Label = c("Andy", "Angela", "Eric", "Jamie", "Jeff", "Jim", 
"Pam", "Tim"), class = "factor"), gender = structure(c(3L, 2L, 
3L, 2L, 3L, 1L, 1L, 2L), .Label = c("", "F", "M"), class = "factor"), 
    happiness = c(8, 9, 4.5, 5.7, 5, 6, 7, 8)), class = "data.frame", row.names = c(NA, 
-8L))



edgelist<-list(structure(list(nominator1 = structure(c(3L, 4L, 1L, 2L), .Label = c("Angela", 
"Jeff", "Jim", "Pam"), class = "factor"), nominee1 = structure(c(1L, 
2L, 3L, 2L), .Label = c("Andy", "Angela", "Jeff"), class = "factor")), class = "data.frame", row.names = c(NA, 
-4L)), structure(list(nominator2 = structure(c(4L, 1L, 2L, 3L
), .Label = c("Eric", "Jamie", "Oscar", "Tim"), class = "factor"), 
    nominee2 = structure(c(1L, 3L, 2L, 3L), .Label = c("Eric", 
    "Oscar", "Tim"), class = "factor")), class = "data.frame", row.names = c(NA, 
-4L)))

graph_list<- lapply(edgelist, graph_from_data_frame)

Answer 1

由于您需要在调用中多次使用graph_list[[i]]，因此要使用lapply，您需要编写一个自定义函数，例如此匿名函数。（这与您的循环代码相同，我只是将其包装在function(x)中，并用graph_list[[i]]替换了x的所有实例。）

graph_list = lapply(graph_list, function(x)
  set_vertex_attr(x, "gender", value = attribute_df$gender[match(V(x)$name, attribute_df$names)])
)

（请注意，我没有对此进行测试，但是除非输入错误，否则它应该可以工作。）

lapply不是向量化-而是“循环隐藏”。在这种情况下，我认为您的for循环比lapply更好。尤其是由于您正在修改现有对象，因此简单的for循环可能比lapply解决方案更有效，并且可读性更高。

当我们谈论矢量化以提高效率时，我们几乎总是指原子矢量，而不是list。（毕竟，这是 vectorization ，而不是 listization 。）使用lapply和相关功能（sapply，vapply， Map（大多数purrr软件包）不是计算机效率，而是可读性和编写人员的效率。

假设您有一个数据帧列表，my_list = list(iris, mtcars, CO2)。如果要获取列表中每个数据帧的行数并将其存储在变量中，我们可以使用sapply或for循环：

# easy to write, easy to read
rows_apply = sapply(my_list, nrow)

# annoying to read and write
rows_for = integer(length(my_list))
for (i in seq_along(my_list)) rows_for[i] = nrow(my_list[[i]])

但是，您的任务越复杂，for循环与此类替代方法相比就越可读。对于您的情况，我更喜欢for循环。

有关此的更多信息，请参见旧问题Is apply more than syntactic sugar?。自从编写了这些答案以来，R已升级为包括即时编译器，该编译器相对于应用加快了for循环的速度。在将近10年的答案中，您会发现有时 *apply比for循环稍微快。自从JIT编译器以来，我想您会发现相反的情况：最次for循环比*apply快。< / p>

但是在这两种情况下，除非您在for / apply中执行绝对琐事，否则您在for / apply中所做的任何事情都会主导时间。

在R中的列表上使用Apply系列和多项功能

1 个答案: